La inteligencia de negocios tomando un enfoque con Sqoop, Flume y Hdfs en Hadoop
DOI:
https://doi.org/10.59169/pentaciencias.v6i4.1177Palabras clave:
análisis de datos; inteligencia de negociosResumen
En el ecosistema de Hadoop, Sqoop, Flume y Hdfs (Hadoop Distributed File System), han jugado roles importantes y complementarios en el manejo y procesamiento de grandes volúmenes de datos, la combinación de estas herramientas ha permitido a las organizaciones manejar grandes volúmenes de datos provenientes de diversas fuentes, tanto estructuradas como no estructuradas, de manera eficiente y escalable en el ecosistema Hadoop. La inteligencia de negocios (BI) con Hadoop ha ofrecido una forma poderosa y escalable de manejar, analizar y extraer valor de grandes volúmenes de datos, con su capacidad para procesar grandes cantidades de datos distribuidos en clusters de servidores, se han integrado con diversas herramientas de inteligencia de negocios para proporcionar datos empresariales valiosos. Como se sabe, Hadoop ha sido considerado como un framework de software de código abierto que ha permitido el procesamiento distribuido de volúmenes de datos en clusters de ordenadores utilizando modelos de programación. Ha sido vista como una herramienta esencial en el ámbito del big data y ha sido diseñada para escalar desde servidores individuales hasta miles de máquinas, cada una ofreciendo computación y almacenamiento local. Estos entornos han analizado a los clientes y su comportamiento, han optimizado las cadenas de suministro analizando los datos en tiempo real mejorando la eficiencia operativa de las empresas, con su detección de fraude procesando grandes volúmenes de datos, además de haber segmentado clientes para campañas efectivas de marketing.
Descargas
Citas
Bastidas, D. J. (2022). Un ejemplo práctico de almacen de datos en sistemasdj. Polo del Conocimiento, 1712-1721.
Ding Zhang, Z.-Y. D.-P.-T.-H. (2024). A distributed data processing scheme based on Hadoop for synchrotron radiation experiments. Computer Programs, 1-11.
Maarten van Steen, M. H. (2006). Middleware 2006: ACM/IFIP/USENIX 7th International Middleware Conference, Melbourne, Australia, November 27 - December 1, 2006, Proceedings (Lecture Notes in Computer Science, 4290) 2006th Edición. Middleware 2006: ACM/IFIP/USENIX 7th International Middleware Conference (pág. 448). New York: Springer.
Mahmound, A. (2018). Developing Middleware in Java EE 8: Build robust middleware solutions using the latest technologies and trends . New York: Packt Publishing.
Qureshi, B. (2024). Optimizing Hadoop Scheduling inSingle-Board-Computer-Based Heterogeneous Clusters. Computation MDPI, 1-20.
Seibel, P. (2005). Practical Common Lisp. Berkeley: Apress.
Tomer, T. K. (2024). Innovative Advancements in Big Data Analytics: Navigating Future Trends and Direction with Hadoop Integration. School of Computer Science and Application, IIMT University Meerut U.P India, 173-181.
Vimala, K. A. (2019). A SURVEY ON BIG DATA PRIVACY USING HADOOP ARCHITECTURE. Karpagam University, 70-77.
Wei Kuang, L.-U. C. (2013). Towards a framework for large-scale multimedia data storage and processing on Hadoop platform. The Journal of Supercomputing , 20-30.
Wu, D. J. (2010). The Performance of MapReduce: An In-depth Study. School of ComputingNational University of Singapore, 4-17.
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Revista Científica Arbitrada Multidisciplinaria PENTACIENCIAS

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







