Aplicación de un modelo de descubrimiento de conocimiento en la era del Big Data

Autores/as

DOI:

https://doi.org/10.47456/bjpe.v7i3.35743

Palabras clave:

Desenvolvimento de produto, Descoberta de conhecimento, Big data, rede social

Resumen

La facilidad y evolución del acceso tecnológico han sido responsables de la velocidad y el volumen con que se producen los datos. Como resultado surgen escenarios, oportunidades y desafíos que favorecen la toma de decisiones y ayudan al proceso de desarrollo de productos (PDP). Por lo tanto, el presente trabajo desarrolló el modelo denominado MDC-PDP (Modelo de descubrimiento de conocimiento en el proceso de desarrollo de productos), con el fin de apoyar el descubrimiento de conocimiento en el proceso de desarrollo de productos. Para soportar el modelo se utilizaron metodologías tradicionales asociadas a las exigencias del Big Data. Para ilustrar su aplicación, el presente modelo se aplicó en el dominio de aplicación de la industria de la moda. El modelo evidenció que los esfuerzos realizados en la comprensión anticipada de los datos, pueden contribuir a que los datos extraídos sean menos complejos. Otra evidencia es la disociación entre volumen y valor de los datos, ya que el valor de los datos no está ligado a su volumen. Finalmente, el MDC-PDP también contribuyó a la adquisición de nuevos y útiles conocimientos en el desarrollo de una colección de moda, posibilitando la aplicación del modelo en otros dominios de aplicación.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Emerson Rabelo, Instituto Federal do Paraná

Graduado en Ciencias de la Computación por la Universidad Estadual de Maringá (UEM-2003); Magíster en Ciencias de la Computación de la Universidad Estadual de Maringá (UEM-2007). Doctor en Ingeniería de Producción del Programa de Posgrado en Ingeniería de la Universidad Metodista de Piracicaba (UNIMEP); Actualmente es profesor de dedicación exclusiva en el Instituto Federal de Paraná. Tiene experiencia en Ciencias de la Computación, trabajando principalmente en los siguientes temas: Base de datos, KDD, Minería de datos, Big Data, ingeniería de software, sistema operativo, sistema de información y sistema distribuido.

Fernando Celso de Campos, UNIMEP – Universidade Metodista de Piracicaba - PPGEP/FEAU

Es Licenciado en Informática por el Instituto de Ciencias Matemáticas de São Carlos (ICMSC-USP) (1987), Magíster en Ingeniería Mecánica por la Escuela de Ingeniería de São Carlos (EESC-USP) (1994), Doctor en Ingeniería Mecánica de la Facultad de São Carlos Engenharia (EESC-USP) (1999), posdoctorado en Ingeniería de Producción en DEP-UFSCar (2016). Actualmente es profesor e investigador de la Universidad Metodista de Piracicaba-UNIMEP, actuando en cursos de pregrado y posgrado. Tiene experiencia en el área de Ingeniería de Producción, con énfasis en Tecnologías de la Información Aplicada (sistema de información, modelado de procesos, gobierno de TI, ERP, gestión del conocimiento), Tecnologías Digitales (Business Intelligence, BIA, Big Data Analysis, IoT), TI verde. Sostenibilidad (Green IT, Economía Circular, Producción más Limpia), Industria 4.0, Mantenimiento Industrial (PCM, Preventivo, Predictivo, Prescriptivo, TPM), APL/gestión de clústeres/modelos de cooperación, gestión de operaciones estratégicas y alternativas de proyectos. Trabajó en Ingeniería de Métodos en proyectos de mejora continua (Lean Manufacturing, SMED, Lean Office, Lean Healthcare, Gestión del uso de tecnologías en el área de la salud).

Leandro Magno Correa da Silva, IFPR - Instituto Federal do Paraná

Profesor de educación básica, técnica y tecnológica en el IFPR - Instituto Federal de Paraná. Magíster en Innovaciones Tecnológicas de la UTFPR - Universidad Tecnológica Federal de Paraná. Especialista en Tecnologías de la Información por la SPEI - Sociedade Paranaense de Ensino em Informática. Licenciado en Informática por la UEM - Universidad Estadual de Maringá - Maestría Profesional en Innovaciones Tecnológicas - Universidad Tecnológica Federal de Paraná, UTFPR. Experiencia en Ciencias de la Computación en los temas: Desarrollo e Ingeniería de Software, Algoritmos, Sistemas Operativos, Arquitectura de Computadores, Bases de Datos, Redes de Computadores, Sistemas Distribuidos e Inteligencia Artificial.

Citas

Asamoah, D. A., & Sharda, R. (2015). Adapting CRISP-DM Process for Social Network Analytics: Application to Healthcare. Twenty-First Americas Conference on Information Systems, Puerto Rico, 2015, (Mdd), 1–12.

Begoli, E., & Horey, J. (2012). Design Principles for Effective Knowledge Discovery from Big Data. Proceedings of the Joint Working IEEE/IFIP Conference on Software Architecture and European Conference on Software Architecture, Helsinki, Finland, 2012. 215–218. https://doi.org/10.1109/WICSA-ECSA.212.32

Davenport, T. (2014). Big data at work: dispelling the myths, uncovering the opportunities. Harvard Business Review Press.

Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From Data Mining to Knowledge Discovery in Databases. AI Magazine, 17(3), 37. https://doi.org/10.1609/aimag.v17i3.1230

Gantz, J., Reinsel, D., & Shadows, B. D. (2012). The Digital Universe in 2020. IDC iView “Big Data, Bigger Digital Shadows, and Biggest Growth in the Far East,” 2007(December 2012), 1–16.

Halvorsen, K., Hoffmann, J., Coste-Manière, I., & Stankeviciute, R. (2013). Can fashion blogs function as a marketing tool to influence consumer behavior? Evidence from Norway. Journal of Global Fashion Marketing, 4(3), 211–224. https://doi.org/10.1080/20932685.2013.790707

Hashem, I. A. T., Yaqoob, I., Anuar, N. B., Mokhtar, S., Gani, A., & Ullah Khan, S. (2015). The rise of “big data” on cloud computing: Review and open research issues. Information Systems, 47, 98–115. https://doi.org/10.1016/j.is.2014.07.006

Kaisler, S., Armour, F., Espinosa, J. A., & Money, W. (2013). Big data: Issues and challenges moving forward. In System Sciences (HICSS), Proceedings of the Hawaii International Conference, HI, USA, 46.

Li, J., Tao, F., Cheng, Y., & Zhao, L. (2015). Big Data in product lifecycle management. The International Journal of Advanced Manufacturing Technology, 81(1–4), 667–684. https://doi.org/10.1007/s00170-015-7151-x

Manyika, J., Chui, M., Brown, B., Bughin, J., Dobbs, R., Roxburgh, C., & Byers, A. H. (2011). Big data: The next frontier for innovation, competition, and productivity. McKinsey & Company. Retrieved from https://www.mckinsey.com/~/media/McKinsey/Business%20Functions/McKinsey%20Digital/Our%20Insights/Big%20data%20The%20next%20frontier%20for%20innovation/MGI_big_data_exec_summary.pdf

McAfee, A., & Brynjolfsson, E. (2012). Big Data. The management revolution. Harvard Buiness Review, 90(10), 61–68. https://doi.org/10.1007/s12599-013-0249-5

Milonas, E. (2011). Wittgenstein and web facets. NASKO, 3(1), 33–40.

Piatetsky, B. G. (2014). CRISP-DM, still the top methodology for analytics, data mining, or data science projects. Retrieved from http://www.kdnuggets.com/2014/10/crisp-dm-top-methodology-analytics-data-mining-data-science-projects.html

Rabelo, E., Dias, M., Franco, C., & Pacheco, R. C. S. (2008). Information visualization: Which the most appropriate technique to represent data mining results? Proceedings of the International Conference on Computational Intelligence for Modelling Control and Automation, CIMCA 2008, Vienna, Áustria. (pp. 1228–1233). https://doi.org/10.1109/CIMCA.2008.139

Schröer, C., Kruse, F., & Gómez, J. M. (2021). A Systematic Literature Review on Applying CRISP-DM Process Model. Procedia Computer Science, 181, 526-534.

Shiri, A. (2014). Making sense of big data: A facet analysis approach. Knowledge Organization, 41(5), 357–368. Retrieved from http://www.scopus.com/inward/record.url?eid=2-s2.0-84913553153&partnerID=tZOtx3y1

Wu, X., Zhu, X., Wu, G.-Q., & Ding, W. (2014). Data mining with big data. IEEE Transactions on Knowledge and Data Engineering, 26(1), 97–107. https://doi.org/10.1109/TKDE.2013.109

Zhang, Y., Ren, S., Liu, Y., & Si, S. (2017). A big data analytics architecture for cleaner manufacturing and maintenance processes of complex products. Journal of Cleaner Production, 142, 626–641. https://doi.org/10.1016/j.jclepro.2016.07.123

Zhuang, Y., Wang, Y., Shao, J., Chen, L., Lu, W., Sun, J., … Wu, J. (2016). D-Ocean: an unstructured data management system for data ocean environment. Frontiers of Computer Science, 10(2), 353–369. https://doi.org/10.1007/s11704-015-5045-6

Zikopoulos, P., Eaton, C., & et al. (2011). Understanding big data: Analytics for enterprise class hadoop and streaming data. McGraw-Hill Osborne Media.

Descargas

Publicado

2021-08-17

Cómo citar

Rabelo, E., Campos, F. C. de, & Silva, L. M. C. da. (2021). Aplicación de un modelo de descubrimiento de conocimiento en la era del Big Data. Brazilian Journal of Production Engineering, 7(3), 106–125. https://doi.org/10.47456/bjpe.v7i3.35743

Número

Vol. 7 Núm. 3 (2021): Número Regular (Julho - Setembro)

Sección

ENGENHARIA DO PRODUTO

Licencia

Derechos de autor 2021 Brazilian Journal of Production Engineering - BJPE

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.

Atribuição-NãoComercial-CompartilhaIgual
CC BY

Esta licença permite que outros remixem, adaptem e desenvolvam seu trabalho não comercialmente, contanto que eles creditem a você e licenciem suas novas criações sob os mesmos termos.

 

Artículos más leídos del mismo autor/a