Qué es Big Data y por qué no todo lo es
Por el Equipo docente del Instituto Data Science · Actualizado en octubre de 2026
El término Big Data se usa tanto que perdió precisión. Te explicamos qué significa, cómo saber si un proyecto realmente lo es y cuándo alcanzan las herramientas de siempre.
Resumen: Big Data tiene una definición concreta: son conjuntos de datos tan extensos, en volumen, variedad, velocidad o variabilidad, que requieren una arquitectura escalable para almacenarse, manipularse y analizarse. Un proyecto empieza a serlo cuando las herramientas tradicionales ya no alcanzan. La mayoría de los proyectos de datos no llegan a ese punto, y la frontera se mueve a medida que mejora la tecnología.
Cuando las herramientas tradicionales ya no alcanzan
En el mundo tecnológico, la expresión Big Data se usa con tanta frecuencia que suele perder precisión. Sin embargo, tiene una definición concreta: empieza cuando los sistemas relacionales tradicionales ya no pueden manejar los datos.
Esa incapacidad puede deberse al volumen, a la velocidad o a la variedad y complejidad de los formatos, como video, audio o texto no estructurado.
La definición del NIST: el Instituto Nacional de Estándares y Tecnología de Estados Unidos define Big Data como conjuntos de datos extensos, principalmente en las características de volumen, variedad, velocidad y/o variabilidad, que requieren una arquitectura escalable para un almacenamiento, manipulación y análisis eficientes (NIST SP 1500-1, versión 3, octubre de 2019).
Volumen
Cantidad de datos: del orden de terabytes o más.
Velocidad
Con qué rapidez llegan y deben procesarse (por ejemplo, flujos de sensores).
Variedad
Formatos distintos: tablas, texto, imágenes, audio, video, logs.
Variabilidad
Cambios en el significado o la estructura de los datos con el tiempo.
El punto exacto donde empieza el Big Data
Un proyecto es realmente Big Data cuando se cumplen al menos estas condiciones.
Los servidores relacionales “tiran la toalla”
Los motores SQL dejan de poder procesar los datos por su tamaño o por su estructura. Si las consultas tardan demasiado, fallan o no permiten escalar, estamos en terreno de Big Data.
La complejidad supera el formato tabular
Si los datos no son solo tablas, por ejemplo registros multimedia, sensores, logs masivos o datos semiestructurados, las herramientas tradicionales dejan de ser suficientes.
No alcanza con trabajar con una muestra
En algunos problemas es válido analizar una porción de los datos y extrapolar. Cuando hace falta procesar el universo completo, la infraestructura debe cambiar.
Una precisión: hoy existen almacenes de datos y motores analíticos en la nube que escalan sobre datos tabulares con SQL. Por eso “tirar la toalla” depende de qué herramienta se compare. El criterio útil es práctico: ¿puedo resolver el problema con herramientas más simples?
Una frontera móvil
La frontera del Big Data no es fija: se mueve con la evolución tecnológica.
A medida que mejoran los motores relacionales y el hardware, pueden manejar más datos antes de colapsar. Por eso, lo que hoy es Big Data, mañana tal vez ya no lo sea.
Un trabajo de Microsoft Research de 2012 (Rowstron et al., Nobody ever got fired for using Hadoop on a cluster) ya lo planteaba: muchos trabajos de procesamiento tipo MapReduce usan datos de entrada relativamente chicos, menos de 14 GB, y los servidores con cientos de gigabytes de memoria hacen viable resolverlos en una sola máquina. Es una hipótesis de los autores, no una regla, pero ilustra por qué conviene empezar por lo simple.
Herramientas típicas de Big Data
Cuando un proyecto sí lo necesita, entran en juego otras herramientas.
Apache Spark
Según su sitio, es un motor multilenguaje para ejecutar ingeniería de datos, ciencia de datos y machine learning en una sola máquina o en clústeres. Permite hacer análisis exploratorio sobre datos a escala de petabytes sin tener que reducir la muestra.
Apache Kafka
Plataforma de event streaming: captura datos en tiempo real desde bases de datos, sensores y dispositivos móviles, y permite almacenarlos y procesarlos.
Plataformas cloud
Ofrecen almacenamiento y cómputo que escalan bajo demanda. Elegir entre nube y servidores propios afecta costos y control. Ver ERP en la nube vs. on-premise en pymes.
Estas herramientas son el territorio de la ingeniería de datos. El rol que las usa a diario se describe en la guía de roles y especialidades en datos.
¿Es Big Data tu proyecto?
Respondé estas preguntas antes de elegir tecnología.
- Los datos entran en la memoria o el disco de una computadora común.
- Una consulta SQL o un análisis con pandas se resuelve en tiempos razonables.
- Los datos son, en su mayoría, tablas.
- Una muestra bien elegida alcanza para responder la pregunta.
- Las consultas fallan o tardan demasiado aun optimizadas.
- Hay flujos continuos de datos (sensores, logs, transacciones) que se deben procesar en tiempo real.
- Hay muchos formatos: video, audio, texto libre, imágenes.
- Se necesita procesar todo el universo, no una muestra.
Ejemplo: un archivo de ventas de 2 GB con tres años de historia suele resolverse con pandas o SQL en una computadora común. Un flujo continuo de lecturas de miles de sensores en una planta industrial, procesado en tiempo real, probablemente necesite herramientas de streaming. El tamaño es ilustrativo; lo que decide es si las herramientas simples alcanzan.
Para el proceso completo de un proyecto, mirá el ciclo de vida de un proyecto de ciencia de datos.
¿Por qué tantos dicen que hacen Big Data?
El término se volvió atractivo y “vende”.
Especialistas, consultoras y empresas pueden usarlo para valorizarse, incluso cuando trabajan con conjuntos de datos modestos. Por eso, entender qué es Big Data y qué no lo es ayuda a identificar proyectos legítimos y a separar la moda del uso real.
Costo innecesario
Montar infraestructura de Big Data para un problema chico encarece y complica el proyecto.
Expectativas infladas
Más datos no significa mejores conclusiones: importa que sean relevantes y de calidad.
Elegir por el problema
La herramienta debe responder a la pregunta, no a la moda. Ver ciencia de datos en la transformación digital.
Preguntas frecuentes
¿Qué es Big Data en pocas palabras?
Son datos tan extensos o complejos que requieren una arquitectura escalable para procesarlos, porque las herramientas tradicionales ya no alcanzan. Ver Cuando las herramientas tradicionales ya no alcanzan.
¿Cuánto es “mucho” para que sea Big Data?
No hay un número fijo: depende de la tecnología disponible y de la complejidad de los datos. Ver Una frontera móvil.
¿Big Data y ciencia de datos son lo mismo?
No. Big Data es infraestructura y manejo de datos extensos; la ciencia de datos es la disciplina que los convierte en decisiones. Ver qué es la ciencia de datos.
¿Necesito Big Data para hacer ciencia de datos?
No. La mayoría de los proyectos se resuelven con SQL y pandas. Ver ¿Es Big Data tu proyecto?
¿Qué herramientas se usan para Big Data?
Entre otras, Spark para procesamiento y Kafka para flujos de datos, además de plataformas cloud. Ver Herramientas típicas de Big Data.
Cómo seguir después de este artículo
- Entendé el proyecto completo: el ciclo de vida de un proyecto de ciencia de datos.
- Elegí tu camino: los roles y especialidades en datos incluyen la ingeniería de datos.
- Volvé a la guía: la guía de Ciencia de Datos reúne el resto de los temas.
Este artículo es informativo y no reemplaza un plan de estudios. Si buscás formación estructurada, el instituto ofrece cursos de ciencia de datos online, diplomaturas en ciencia de datos y cursos on demand.
Fuentes: NIST Big Data Interoperability Framework, Volume 1: Definitions (SP 1500-1r2, 2019); Rowstron et al. (2012), Nobody ever got fired for using Hadoop on a cluster, HotCDP 2012; Apache Spark; Apache Kafka: Introduction. Consultadas en octubre de 2026. Los criterios de decisión son una guía práctica del equipo docente.