stringtranslate.com

Analítica

Análisis del tráfico de Wikipedia

La analítica es el análisis computacional sistemático de datos o estadísticas . [1] Se utiliza para el descubrimiento, la interpretación y la comunicación de patrones significativos en los datos , que también se incluye y se relaciona directamente con el término general de ciencia de datos . [2] La analítica también implica la aplicación de patrones de datos para una toma de decisiones eficaz. Puede ser valiosa en áreas ricas en información registrada; la analítica se basa en la aplicación simultánea de estadísticas , programación informática e investigación de operaciones para cuantificar el rendimiento.

Las organizaciones pueden aplicar análisis a los datos comerciales para describir, predecir y mejorar el rendimiento empresarial. Específicamente, las áreas dentro del análisis incluyen análisis descriptivo, análisis de diagnóstico, análisis predictivo , análisis prescriptivo y análisis cognitivo. [3] El análisis puede aplicarse a una variedad de campos como marketing , administración , finanzas , sistemas en línea, seguridad de la información y servicios de software . Dado que el análisis puede requerir cálculos extensos (ver big data ), los algoritmos y el software utilizados para el análisis aprovechan los métodos más actuales en informática, estadística y matemáticas. [4] Según International Data Corporation , se estima que el gasto global en soluciones de big data y análisis empresarial (BDA) alcanzará los 215.7 mil millones de dólares en 2021. [5] [6] Según Gartner , el mercado general de software de plataformas analíticas creció en 25.5 mil millones de dólares en 2020. [7]

Analítica vs análisis

El análisis de datos se centra en el proceso de examinar datos pasados ​​a través de la comprensión del negocio, la comprensión de los datos, la preparación de los datos, el modelado y la evaluación, y la implementación. [8] Es un subconjunto del análisis de datos, que requiere múltiples procesos de análisis de datos para centrarse en por qué ocurrió un evento y qué puede suceder en el futuro en función de los datos anteriores. [9] [ ¿ Fuente poco confiable? ] El análisis de datos se utiliza para formular decisiones organizacionales más amplias. [ Cita requerida ]

El análisis de datos es un campo multidisciplinario . Se hace un uso extensivo de habilidades informáticas, matemáticas, estadísticas, el uso de técnicas descriptivas y modelos predictivos para obtener conocimiento valioso de los datos a través del análisis. [ cita requerida ] Cada vez se utiliza más el término análisis avanzado , que se utiliza normalmente para describir los aspectos técnicos del análisis, especialmente en los campos emergentes, como el uso de técnicas de aprendizaje automático como redes neuronales , árboles de decisión, regresión logística, análisis de regresión lineal a múltiple y clasificación para hacer modelos predictivos . [ 10 ] [ 8 ] También incluye técnicas de aprendizaje automático no supervisado como análisis de conglomerados , análisis de componentes principales , análisis de perfiles de segmentación y análisis de asociación. [ cita requerida ]

Aplicaciones

Optimización de marketing

Las organizaciones de marketing utilizan la analítica para determinar los resultados de las campañas o esfuerzos, y para orientar las decisiones de inversión y de segmentación de consumidores. Los estudios demográficos, la segmentación de clientes, el análisis conjunto y otras técnicas permiten a los especialistas en marketing utilizar grandes cantidades de datos de encuestas, paneles y compras de consumidores para comprender y comunicar la estrategia de marketing. [11]

El análisis de marketing consta de datos cualitativos y cuantitativos, estructurados y no estructurados, que se utilizan para impulsar decisiones estratégicas sobre resultados de marca e ingresos. El proceso implica modelado predictivo, experimentación de marketing, automatización y comunicaciones de ventas en tiempo real. Los datos permiten a las empresas hacer predicciones y modificar la ejecución estratégica para maximizar los resultados de rendimiento. [11]

La analítica web permite a los especialistas en marketing recopilar información a nivel de sesión sobre las interacciones en un sitio web mediante una operación denominada sesionización . Google Analytics es un ejemplo de una herramienta de análisis gratuita popular que los especialistas en marketing utilizan para este propósito. [12] Esas interacciones proporcionan a los sistemas de información de analítica web la información necesaria para rastrear al referente, buscar palabras clave, identificar la dirección IP [13] y rastrear las actividades del visitante. Con esta información, un especialista en marketing puede mejorar las campañas de marketing, el contenido creativo del sitio web y la arquitectura de la información [14] .

Las técnicas de análisis que se utilizan con frecuencia en marketing incluyen el modelado de la combinación de marketing, los análisis de precios y promociones, la optimización de la fuerza de ventas y el análisis de clientes, por ejemplo, la segmentación. El análisis web y la optimización de sitios web y campañas en línea ahora funcionan frecuentemente de la mano con las técnicas de análisis de marketing más tradicionales. Un enfoque en los medios digitales ha cambiado ligeramente el vocabulario, de modo que el modelado de la combinación de marketing se conoce comúnmente como modelado de atribución en el contexto del modelado digital o de la combinación de marketing . [ cita requerida ]

Estas herramientas y técnicas respaldan tanto las decisiones de marketing estratégicas (por ejemplo, cuánto gastar en marketing en general, cómo asignar presupuestos entre una cartera de marcas y la combinación de marketing) como un apoyo de campaña más táctico, en términos de llegar al mejor cliente potencial con el mensaje óptimo en el medio más rentable en el momento ideal.

Análisis de personas

El análisis de personas utiliza datos de comportamiento para comprender cómo trabajan las personas y cambiar la forma en que se gestionan las empresas. [15]

El análisis de personas también se conoce como análisis de la fuerza laboral, análisis de RR.HH., análisis de talento, conocimientos de personas, conocimientos de talento, conocimientos de colegas, análisis de capital humano y análisis de HRIS. El análisis de RR.HH. es la aplicación de análisis para ayudar a las empresas a gestionar los recursos humanos . [16] Además, el análisis de RR.HH. se ha convertido en una herramienta estratégica para analizar y pronosticar tendencias relacionadas con los humanos en los mercados laborales cambiantes, utilizando herramientas de análisis de carrera. [17] El objetivo es discernir qué empleados contratar, a cuáles recompensar o promover, qué responsabilidades asignar y problemas similares de recursos humanos. [18] Por ejemplo, la inspección del fenómeno estratégico de la rotación de empleados utilizando herramientas de análisis de personas puede servir como un análisis importante en tiempos de disrupción. [19] Se ha sugerido que el análisis de personas es una disciplina separada del análisis de RR.HH., que representa un mayor enfoque en cuestiones comerciales en lugar de procesos administrativos, [20] y que el análisis de personas puede no pertenecer realmente a los recursos humanos en las organizaciones. [21] Sin embargo, los expertos no están de acuerdo con esto, y muchos sostienen que Recursos Humanos necesitará desarrollar People Analytics como una parte clave de una función empresarial más capaz y estratégica en el cambiante mundo del trabajo provocado por la automatización. [22] En lugar de trasladar People Analytics fuera de Recursos Humanos, algunos expertos sostienen que pertenece a Recursos Humanos, aunque habilitado por una nueva generación de profesionales de Recursos Humanos que se orientan más a los datos y tienen más conocimiento empresarial. [23]

Los ejemplos incluyen el valor de vida del empleado (ELTV) y el número de empleados.

Análisis de cartera

Una aplicación común de la analítica empresarial es el análisis de cartera . En este caso, un banco o una agencia de préstamos tiene una colección de cuentas de valor y riesgo variables . Las cuentas pueden diferir según el estatus social (rico, clase media, pobre, etc.) del titular, la ubicación geográfica, su valor neto y muchos otros factores. El prestamista debe equilibrar la rentabilidad del préstamo con el riesgo de impago de cada préstamo. La pregunta entonces es cómo evaluar la cartera en su conjunto. [24]

El préstamo con menor riesgo puede ser el que se otorga a los muy ricos, pero hay un número muy limitado de personas ricas. Por otro lado, hay muchos pobres a quienes se les puede prestar dinero, pero con un riesgo mayor. Se debe lograr un equilibrio que maximice el rendimiento y minimice el riesgo. La solución analítica puede combinar el análisis de series temporales con muchas otras cuestiones para tomar decisiones sobre cuándo prestar dinero a estos diferentes segmentos de prestatarios, o decisiones sobre la tasa de interés que se cobra a los miembros de un segmento de cartera para cubrir cualquier pérdida entre los miembros de ese segmento. [ cita requerida ]

Análisis de riesgos

Los modelos predictivos en la industria bancaria se desarrollan para aportar certeza a las puntuaciones de riesgo de los clientes individuales. Las puntuaciones de crédito se construyen para predecir el comportamiento moroso de un individuo y se utilizan ampliamente para evaluar la solvencia crediticia de cada solicitante. [25] Además, los análisis de riesgo se llevan a cabo en el mundo científico [26] y en la industria de seguros. [27] También se utilizan ampliamente en instituciones financieras como las empresas de pasarela de pago en línea para analizar si una transacción fue genuina o fraudulenta. [28] Para este propósito, utilizan el historial de transacciones del cliente. Esto se utiliza más comúnmente en las compras con tarjeta de crédito, cuando hay un aumento repentino en el volumen de transacciones del cliente, el cliente recibe una llamada de confirmación si la transacción fue iniciada por él / ella. Esto ayuda a reducir la pérdida debido a tales circunstancias. [29]

Analítica digital

La analítica digital es un conjunto de actividades comerciales y técnicas que definen, crean, recopilan, verifican o transforman datos digitales en informes, investigaciones, análisis, recomendaciones, optimizaciones, predicciones y automatización. [30] Esto también incluye el SEO ( optimización de motores de búsqueda ) donde se rastrea la búsqueda de palabras clave y esos datos se utilizan con fines de marketing. [31] Incluso los anuncios de banner y los clics se incluyen en la analítica digital. [32] Un número cada vez mayor de marcas y empresas de marketing confían en la analítica digital para sus tareas de marketing digital , donde MROI (retorno de la inversión de marketing) es un importante indicador clave de rendimiento (KPI). [ cita requerida ]

Análisis de seguridad

El análisis de seguridad se refiere a la tecnología de la información (TI) para recopilar eventos de seguridad para comprender y analizar los eventos que plantean los mayores riesgos de seguridad. [33] [34] Los productos en esta área incluyen información de seguridad y gestión de eventos y análisis del comportamiento del usuario.

Análisis de software

El análisis de software es el proceso de recopilar información sobre la forma en que se utiliza y produce un software . [35]

Desafíos

En la industria del software de análisis comercial, se ha puesto énfasis en resolver los desafíos que plantea el análisis de conjuntos de datos masivos y complejos, a menudo cuando dichos datos se encuentran en un estado de cambio constante. Estos conjuntos de datos se conocen comúnmente como big data . [36] Mientras que antes los problemas que planteaba el big data solo se encontraban en la comunidad científica, hoy en día el big data es un problema para muchas empresas que operan sistemas transaccionales en línea y, como resultado, acumulan grandes volúmenes de datos rápidamente. [37] [36]

El análisis de los tipos de datos no estructurados es otro desafío que está recibiendo atención en la industria. Los datos no estructurados difieren de los datos estructurados en que su formato varía ampliamente y no se pueden almacenar en bases de datos relacionales tradicionales sin un esfuerzo significativo en la transformación de los datos. [38] Las fuentes de datos no estructurados, como el correo electrónico, el contenido de documentos de procesadores de texto, archivos PDF, datos geoespaciales, etc., se están convirtiendo rápidamente en una fuente relevante de inteligencia empresarial para empresas, gobiernos y universidades. [39] [40] Por ejemplo, en Gran Bretaña, el descubrimiento de que una empresa vendía ilegalmente notas médicas fraudulentas para ayudar a las personas a defraudar a los empleadores y compañías de seguros [41] es una oportunidad para que las empresas de seguros aumenten la vigilancia de su análisis de datos no estructurados . [42] [ ¿ Investigación original? ]

Estos desafíos son la inspiración actual para gran parte de la innovación en los sistemas de información analítica modernos, dando origen a conceptos de análisis de máquinas relativamente nuevos, como el procesamiento de eventos complejos , [43] la búsqueda y el análisis de texto completo e incluso nuevas ideas en la presentación. Una de esas innovaciones es la introducción de una arquitectura tipo cuadrícula en el análisis de máquinas, que permite aumentar la velocidad del procesamiento masivo en paralelo al distribuir la carga de trabajo a muchas computadoras, todas con igual acceso al conjunto completo de datos. [44]

La analítica se utiliza cada vez más en la educación , en particular en los niveles de distrito y de oficina gubernamental. Sin embargo, la complejidad de las medidas de rendimiento de los estudiantes presenta desafíos cuando los educadores intentan comprender y utilizar la analítica para discernir patrones en el rendimiento de los estudiantes, predecir la probabilidad de graduación, mejorar las posibilidades de éxito de los estudiantes, etc. [45] Por ejemplo, en un estudio que involucró a distritos conocidos por un fuerte uso de datos, el 48% de los maestros tuvo dificultad para plantear preguntas impulsadas por los datos, el 36% no comprendió los datos proporcionados y el 52% interpretó incorrectamente los datos. [46] Para combatir esto, algunas herramientas de analítica para educadores se adhieren a un formato de datos de venta libre (incrustando etiquetas, documentación complementaria y un sistema de ayuda, y tomando decisiones clave sobre el paquete/visualización y el contenido) para mejorar la comprensión y el uso de la analítica que se muestra por parte de los educadores. [47]

Riesgos

Los riesgos para la población en general incluyen la discriminación basada en características como el género, el color de la piel, el origen étnico o las opiniones políticas, a través de mecanismos como la discriminación de precios o la discriminación estadística . [48]

Véase también

Referencias

  1. ^ "Definición de analítica según Oxford". Archivado desde el original el 10 de agosto de 2020.
  2. ^ Agarwal, Ritu; Dhar, Vasant (25 de septiembre de 2014). "Editorial —Big Data, ciencia de datos y análisis: la oportunidad y el desafío para la investigación en sistemas de información". Investigación en sistemas de información . 25 (3): 443–448. doi :10.1287/isre.2014.0546. ISSN  1047-7047.
  3. ^ "Análisis cognitivo: combinación de inteligencia artificial (IA) y análisis de datos". www.ulster.ac.uk . 8 de marzo de 2017. Archivado desde el original el 10 de enero de 2022 . Consultado el 7 de enero de 2022 .
  4. ^ Kohavi, Rothleder y Simoudis (2002). "Tendencias emergentes en análisis de negocios". Comunicaciones de la ACM . 45 (8): 45–48. CiteSeerX 10.1.1.13.3005 . doi :10.1145/545151.545177. S2CID  15938729. 
  5. ^ "El gasto mundial en soluciones de big data y análisis alcanzará los 215.700 millones de dólares en 2021, según una nueva guía de gasto de IDC". Archivado desde el original el 23 de julio de 2022 . Consultado el 24 de julio de 2022 .
  6. ^ "Ingresos por big data y análisis de negocios en 2022". Archivado desde el original el 20 de julio de 2022 . Consultado el 24 de julio de 2022 .
  7. ^ "Cuota de mercado: software de datos y análisis, a nivel mundial, 2020". Archivado desde el original el 3 de octubre de 2022 . Consultado el 24 de julio de 2022 .
  8. ^ ab Kelleher, John D. (2020). Fundamentos del aprendizaje automático para el análisis predictivo de datos: algoritmos, ejemplos prácticos y estudios de casos. Brian Mac Namee, Aoife D'Arcy (2.ª ed.). Cambridge, Massachusetts. pág. 16. ISBN 978-0-262-36110-1.OCLC 1162184998  .{{cite book}}: CS1 maint: location missing publisher (link)
  9. ^ Park, David (28 de agosto de 2017). «Análisis vs. Analítica: pasado vs. futuro». EE Times . Archivado desde el original el 29 de enero de 2021. Consultado el 20 de enero de 2021 .
  10. ^ "IA, Big Data y análisis avanzado en la cadena de suministro". Forbes.com . Archivado desde el original el 23 de junio de 2022. Consultado el 16 de abril de 2020 .
  11. ^ ab Wedel, Michel; Kannan, PK (1 de noviembre de 2016). «Marketing Analytics for Data-Rich Environments». Revista de marketing . 80 (6): 97–121. doi :10.1509/jm.15.0413. ISSN  0022-2429. S2CID  168410284. Archivado desde el original el 31 de marzo de 2022 . Consultado el 10 de enero de 2022 .
  12. ^ "Sesión - Ayuda de Analytics". support.google.com . Archivado desde el original el 10 de enero de 2022 . Consultado el 9 de enero de 2022 .
  13. ^ "Dirección IP - Ayuda de Analytics". support.google.com . Archivado desde el original el 10 de enero de 2022 . Consultado el 9 de enero de 2022 .
  14. ^ "Herramientas y soluciones de análisis para su empresa: Google Analytics". Google Marketing Platform . Archivado desde el original el 2 de octubre de 2022. Consultado el 9 de enero de 2022 .
  15. ^ lukem (4 de noviembre de 2016). «People Analytics: Transforming Management with Behavioral Data». Programas para profesionales | MIT Professional Education . Archivado desde el original el 8 de septiembre de 2018. Consultado el 3 de abril de 2018 .
  16. ^ Chalutz Ben-Gal, Hila (2019). "An ROI-based review of HR analytics: practical implementation tools" (PDF) . Personnel Review, vol. 48 n.º 6, págs. 1429-1448. Archivado desde el original (PDF) el 30 de octubre de 2021 . Consultado el 9 de febrero de 2020 .
  17. ^ Sela, A., Chalutz Ben-Gal, Hila (2018). "Career Analytics: análisis basado en datos de la rotación y las trayectorias profesionales en empresas con uso intensivo de conocimientos: Google, Facebook y otras" (PDF) . En 2018 IEEE International Conference on the Science of Electrical Engineering in Israel (ICSEE). IEEE. Archivado desde el original (PDF) el 31 de marzo de 2022. Consultado el 9 de febrero de 2020 .{{cite web}}: CS1 maint: multiple names: authors list (link)
  18. ^ "Análisis de personas - Universidad de Pensilvania". Coursera. Archivado desde el original el 19 de abril de 2019. Consultado el 3 de mayo de 2017 .
  19. ^ Avrahami, D.; Pessach, D.; Singer, G.; Chalutz Ben-Gal, Hila (2022). "Un análisis de recursos humanos y aprendizaje automático de la rotación: implicaciones para la teoría y la práctica" (PDF) . Revista Internacional de Manpower, vol. ahead-of-print N.º ahead-of-print. Archivado desde el original (PDF) el 2 de abril de 2022 . Consultado el 27 de julio de 2022 .
  20. ^ "People Analytics: MIT 24 de julio de 2017". HR Examiner . 2 de agosto de 2017. Archivado desde el original el 28 de abril de 2019 . Consultado el 3 de abril de 2018 .
  21. ^ Bersin, Josh. "Los geeks llegan a RRHH: People Analytics ya está aquí". Forbes . Archivado desde el original el 20 de septiembre de 2019. Consultado el 3 de abril de 2018 .
  22. ^ "La guía del CEO para competir a través de RRHH". Archivado desde el original el 24 de julio de 2020 . Consultado el 24 de julio de 2020 .
  23. ^ McNulty, Keith. "Es hora de implementar RR.HH. 3.0". Economía del talento . Archivado desde el original el 3 de julio de 2020. Consultado el 24 de julio de 2020 .
  24. ^ Pilbeam, Keith (2005), Pilbeam, Keith (ed.), "Análisis de cartera: riesgo y rentabilidad en los mercados financieros", Finance and Financial Markets , Londres: Macmillan Education UK, págs. 156-187, doi :10.1007/978-1-349-26273-1_7, ISBN 978-1-349-26273-1, consultado el 9 de enero de 2022
  25. ^ "Informes y puntuaciones crediticias | USAGov". www.usa.gov . Archivado desde el original el 8 de enero de 2022 . Consultado el 9 de enero de 2022 .
  26. ^ Mayernik, Matthew S.; Breseman, Kelsey; Downs, Robert R.; Duerr, Ruth; Garretson, Alexis; Hou, Chung-Yi (Sophie); Comité, Iniciativa de Gobernanza de Datos Ambientales (EDGI) y Earth Science Information Partners (ESIP) Data Stewardship (12 de marzo de 2020). "Evaluación de riesgos para datos científicos". Revista de ciencia de datos . 19 (1): 10. doi : 10.5334/dsj-2020-010 . ISSN  1683-1470. S2CID  215873228.
  27. ^ "Análisis predictivo en seguros: tipos, herramientas y el futuro". Maryville Online . 28 de octubre de 2020. Archivado desde el original el 10 de enero de 2022 . Consultado el 9 de enero de 2022 .
  28. ^ Liébana-Cabanillas, Francisco; Singh, Nidhi; Kalinic, Zoran; Carvajal-Trujillo, Elena (1 de junio de 2021). "Examen de los determinantes de la intención de uso continuado y el efecto moderador del género y la edad de los usuarios de pagos móviles NFC: un enfoque multianalítico". Tecnologías de la información y gestión . 22 (2): 133–161. doi :10.1007/s10799-021-00328-6. ISSN  1573-7667. S2CID  234834347.
  29. ^ Crail, Chauncey (9 de marzo de 2021). «Cómo habilitar alertas de tarjetas de crédito móviles para compras y fraudes». Forbes Advisor . Archivado desde el original el 10 de enero de 2022. Consultado el 9 de enero de 2022 .
  30. ^ Phillips, Judah "Construcción de una organización de análisis digital" Financial Times Press, 2013, págs. 7-8.
  31. ^ "Guía de inicio de SEO: conceptos básicos | Google Search Central". Google Developers . Archivado desde el original el 12 de enero de 2022 . Consultado el 9 de enero de 2022 .
  32. ^ "Porcentaje de clics (CTR): definición - Ayuda de Google Ads". support.google.com . Archivado desde el original el 10 de enero de 2022 . Consultado el 9 de enero de 2022 .
  33. ^ "El análisis de seguridad refuerza la esperanza de detección de brechas". Innovación empresarial. Archivado desde el original el 12 de febrero de 2019. Consultado el 27 de abril de 2015 .
  34. ^ Talabis, Mark Ryan M. (2015). Análisis de seguridad de la información: búsqueda de información, patrones y anomalías de seguridad en big data. Robert McPherson, I Miyamoto, Jason L. Martin. Waltham, MA. p. 1. ISBN 978-0-12-800506-4.OCLC 910911974  .{{cite book}}: CS1 maint: location missing publisher (link)
  35. ^ "Software Analytics - an overview | ScienceDirect Topics" (Análisis de software: una descripción general | Temas de ScienceDirect) www.sciencedirect.com . Archivado desde el original el 11 de enero de 2022 . Consultado el 9 de enero de 2022 .
  36. ^ ab "2.3 Diez características comunes del big data". www.bitbybitbook.com . Archivado desde el original el 31 de marzo de 2022 . Consultado el 10 de enero de 2022 .
  37. ^ Naone, Erica. "El nuevo Big Data". Technology Review, MIT. Archivado desde el original el 20 de mayo de 2022. Consultado el 22 de agosto de 2011 .
  38. ^ Inmon, Bill; Nesavich, Anthony (2007). Aprovechar los datos no estructurados . Prentice-Hall. ISBN 978-0-13-236029-6.
  39. ^ Wise, Lyndsay. "Análisis de datos y datos no estructurados". Dashboard Insight. Archivado desde el original el 5 de enero de 2014. Consultado el 14 de febrero de 2011 .
  40. ^ "Aprovechando el poder de los datos no estructurados". MIT Sloan . Archivado desde el original el 10 de enero de 2022 . Consultado el 10 de enero de 2022 .
  41. ^ "Se venden certificados médicos falsos por 25 libras, advierte el equipo antifraude del NHS" . The Telegraph . Londres. 26 de agosto de 2008. Archivado desde el original el 12 de enero de 2022 . Consultado el 16 de septiembre de 2011 .
  42. ^ "Big Data: La próxima frontera para la innovación, la competencia y la productividad, según se informa en Building with Big Data". The Economist . 26 de mayo de 2011. Archivado desde el original el 3 de junio de 2011.
  43. ^ Flouris, Ioannis; Giatrakos, Nikos; Deligiannakis, Antonios; Garofalakis, Minos; Kamp, Michael; Mock, Michael (1 de mayo de 2017). "Problemas en el procesamiento de eventos complejos: estado y perspectivas en la era de Big Data". Revista de sistemas y software . 127 : 217–236. doi :10.1016/j.jss.2016.06.011. ISSN  0164-1212. Archivado desde el original el 14 de abril de 2019 . Consultado el 10 de enero de 2022 .
  44. ^ Yang, Ning; Liu, Diyou; Feng, Quanlong; Xiong, Quan; Zhang, Lin; Ren, Tianwei; Zhao, Yuanyuan; Zhu, Dehai; Huang, Jianxi (25 de junio de 2019). "Mapeo de cultivos a gran escala basado en aprendizaje automático y computación paralela con cuadrículas". Teledetección . 11 (12): 1500. Código bibliográfico : 2019RemS...11.1500Y. doi : 10.3390/rs11121500 . ISSN  2072-4292.
  45. ^ Prinsloo, Paul; Slade, Sharon (13 de marzo de 2017). "Un elefante en la sala de análisis de aprendizaje". Actas de la Séptima Conferencia Internacional de Análisis de Aprendizaje y Conocimiento (PDF) . LAK '17. Nueva York, NY, EE. UU.: Association for Computing Machinery. págs. 46–55. doi :10.1145/3027385.3027406. ISBN . 978-1-4503-4870-6.S2CID 9490514  .
  46. ^ Oficina de Planificación, Evaluación y Desarrollo de Políticas del Departamento de Educación de los Estados Unidos (2009). Implementing data-informed decision making in schools: Teacher access, support and use [Implementación de la toma de decisiones basada en datos en las escuelas: acceso, apoyo y uso de los docentes]. Departamento de Educación de los Estados Unidos (Servicio de reproducción de documentos ERIC n.° ED504191)
  47. ^ Rankin, J. (28 de marzo de 2013). Cómo los sistemas de datos y los informes pueden combatir o propagar la epidemia de errores en el análisis de datos, y cómo los líderes educativos pueden ayudar. Archivado el 26 de marzo de 2019 en Wayback Machine . Presentación realizada en la Cumbre de liderazgo escolar del Centro de información tecnológica para el liderazgo administrativo (TICAL).
  48. ^ Favaretto, Maddalena; De Clercq, Eva; Elger, Bernice Simone (5 de febrero de 2019). "Big Data y discriminación: peligros, promesas y soluciones. Una revisión sistemática". Revista de Big Data . 6 (1): 12. doi : 10.1186/s40537-019-0177-4 . ISSN  2196-1115. S2CID  59603476.


Enlaces externos