BIG DATA

 Hoy en día, en cambio, la recogida de datos masivos ha permitido

obtener información sobre la muestra completa (o casi)

de datos relacionada con el fenómeno que hay que evaluar, es

decir, toda la población. Por ejemplo, si una institución desea

analizar los tweets que tratan sobre un tema de interés público,

es perfectamente factible que pueda recoger todos aquellos

que hablen del tema y analizarlos. En este caso, el análisis no

pretende confirmar o invalidar una hipótesis, sino establecer

correlaciones entre distintas variables de la muestra. Por

ejemplo, supongamos que existe una fuerte correlación entre

el lugar de residencia de los vecinos de una ciudad y su opinión

ante una determinada problemática de esta. En este caso, podemos

explotar la relación que existe entre ambas variables

aunque no sepamos la causa que induce de la una a la otra.

Los datos masivos imponen un nuevo paradigma donde la

correlación «sustituye» a la causalidad. Determinar la causalidad

de un fenómeno pierde importancia, y en contraposición,

«descubrir» las correlaciones entre las variables se convierte

en uno de los objetivos principales del análisis.

Este cambio de paradigma provoca que los sistemas de big

data se centren en encontrar «qué» aspectos están relacionados

entre sí, y no en «por qué» están relacionados. Estos

sistemas pretenden responder cuestiones del tipo: ¿qué pasó?,

¿qué está pasando? y ¿qué pasaría si?, pero desde un punto de

vista basado en las correlaciones, donde no se busca la explicación

del fenómeno, sino solo el descubrimiento del fenómeno

en sí. En consecuencia, la causalidad pierde terreno a favor de

asociación entre hechos.

Habéis entendido algo... YO NO