Estudio de caso: “Desafío del Big Data”
Gustavo InzunzaInforme12 de Mayo de 2026
1.155 Palabras (5 Páginas)170 Visitas
Estudio de caso: Desafío del Big Data [pic 1]
[pic 2]
[pic 3]
Acin215
Análisis de caso
Nombres integrantes:
Curso:
Fecha:
[pic 4]
Estudio de caso: “Desafío del Big Data”
La mayor parte de los deportistas de élite están adoptando técnicas de análisis de grandes volúmenes de datos. En el tenis se lleva mucho tiempo utilizando la herramienta SlamTraker (basada en la tecnología de IBM SPSS análisis predictivo) en los torneos más prestigiosos del mundo, tales como Wimbledon, Roland Garros y el Open de Australia, entre otros. La plataforma ha registrado más de 8 años de datos de Grand Slam (unos 41 millones de data points) para determinar patrones y estilos de jugadores ganadores.
[pic 5]
Aplicando análisis a las grabaciones de vídeo de cada jugador de fútbol y tecnología de sensores en equipamiento deportivo como balones o palos de golf, podemos obtener retroalimentación de los datos generados y revelar los resultados para mejorar el rendimiento o mostrar una visión enriquecida de la retransmisión a los espectadores. En la actualidad, muchos equipos de élite realizan seguimiento de sus atletas fuera del entorno de competición, usando dispositivos inteligentes para monitorizar desde la nutrición, la preparación física y el sueño, hasta las conversaciones en redes sociales en las que participan para controlar el bienestar emocional.
PREGUNTAS/ESTRUCTURA DE INFORME
- ¿Cuál es el modelo matemático utilizado por IBM expuesto en este caso?
- ¿Cuáles componentes de incertidumbre potencialmente puede identificar para llevar a cabo una correcta toma de decisiones? Justifique.
- Identificar y clasificar las variables presentes en este caso.
Desarrollo del caso
El caso muestra cómo IBM utiliza analítica predictiva y grandes volúmenes de datos para apoyar la toma de decisiones en el deporte de alto rendimiento. A partir del análisis de datos históricos, grabaciones de video, sensores y variables de contexto, el sistema busca identificar patrones de juego y traducirlos en recomendaciones tácticas concretas para mejorar el desempeño del deportista.
1. Modelo matemático utilizado por IBM
El caso se enmarca en el uso de modelos predictivos, los cuales forman parte del machine learning. Según el material de la semana, este tipo de sistemas puede apoyarse en modelos de regresión o redes neuronales para anticipar comportamientos y resultados. En este contexto, una formulación razonable para explicar el funcionamiento de IBM SPSS es un modelo de regresión, ya que permite estimar el rendimiento esperado de un jugador a partir de múltiples variables observables (Riquelme, s. f.).
En términos matemáticos, el modelo puede representarse como:
Y = β0 + β1X1 + β2X2 + ··· + βnXn + ε
Donde Y representa una medida de rendimiento esperado, por ejemplo la probabilidad de ganar un punto, un game o incluso un partido; X1, X2, ..., Xn corresponden a variables predictoras como velocidad de saque, cantidad de tiros, tipo de golpe, rendimiento previo, calidad del descanso o nivel de carga física; y ε representa el componente aleatorio o factores no observados. IBM utiliza este tipo de relaciones para generar las llamadas “Keys to the Match”, es decir, recomendaciones tácticas específicas para enfrentar a un rival determinado (IBM Corporation, 2023).
La relación con la optimización se produce porque el modelo no solo describe datos, sino que ayuda a decidir qué acciones conviene priorizar para maximizar el resultado esperado. En otras palabras, la regresión entrega probabilidades y tendencias, mientras que la optimización transforma esa información en decisiones tácticas: por ejemplo, definir qué patrón de servicio conviene repetir, en qué zonas de la cancha presionar o qué variables de preparación física deben cuidarse antes de un partido. Esto coincide con la lógica del Big Data, donde grandes volúmenes de información se convierten en decisiones más precisas y oportunas (Davenport, 2014).
...