Big Data es el término utilizado para describir un conjunto de datos tan vasto en términos de volumen, velocidad y variedad que requiere tecnologías y métodos de análisis específicos para extraer valor de él.
El aumento progresivo del tamaño de los conjuntos de datos está relacionado con la necesidad de análisis sobre un único conjunto de datos, con el objetivo de extraer información adicional respecto a la que se podría obtener al analizar pequeñas series, incluso con la misma cantidad total de datos. Por ejemplo, el análisis para sondear los «ánimos» de los mercados y del comercio, y por tanto la tendencia global de la sociedad y del flujo de información que circula y transita por Internet.
Con el Big Data, el volumen de datos es del orden del zettabyte, es decir, miles de millones de terabytes. Esto requiere, por tanto, una capacidad de cálculo paralela y masiva, con herramientas dedicadas que funcionan sobre decenas, cientos o incluso miles de servidores.
Se habla de Big Data cuando un conjunto de datos es tan grande que se necesitan herramientas no convencionales para extraer, gestionar y procesar la información en un plazo razonable. No existe un tamaño de referencia preciso, ya que este evoluciona constantemente con el aumento de la velocidad de las máquinas y el incremento continuo del tamaño de los datasets.
Según un estudio de 2001, el analista Doug Laney sintetizó las características del Big Data según un modelo de crecimiento tridimensional llamado el modelo de las «3V»:
Volumen: representa el tamaño real del conjunto de datos; el gran volumen de datos que podemos recopilar hoy en día podría parecer problemático. En realidad, el volumen no es un problema importante, ya que la nube y la virtualización ayudan a gestionar este importante volumen de datos, simplificando los procesos de recopilación, almacenamiento y acceso.
Velocidad: hace referencia a la rapidez de generación de los datos; se busca realizar análisis en tiempo real, o casi.
Variedad: se refiere a los distintos tipos de datos procedentes de fuentes diversas (estructuradas y no estructuradas).
El modelo inicial se detenía ahí. Con el tiempo, se añadieron otras características:
Variabilidad: esta característica puede resultar problemática; designa la posible incoherencia de los datos.
Complejidad: cuanto más extenso es el conjunto de datos, más compleja se vuelve su gestión; la tarea más difícil consiste en relacionar la información entre sí para extraer conocimientos relevantes.
Por último, algunas organizaciones utilizan una cuarta «V» para designar la Veracidad de los datos, es decir, la calidad de los datos, entendida como el valor informativo que se puede obtener de ellos.
