What is *Too Big to Ignore* by Phil Simon about?

*Too Big to Ignore* explores the critical role of collaboration, technology, and data scalability in modern organizations. Phil Simon argues that businesses must adopt agile frameworks and decentralized systems to thrive in today’s fast-paced digital landscape. The book provides actionable strategies for leveraging platforms, APIs, and emerging tools to solve complex problems.

Who should read *Too Big to Ignore*?

This book is ideal for business leaders, project managers, and IT professionals seeking to future-proof their organizations. It’s especially relevant for those navigating hybrid workplaces, digital transformation, or data governance challenges. Simon’s insights cater to readers interested in practical tech adoption and collaborative workflows.

What are the key concepts in *Too Big to Ignore*?

- **Platform ecosystems**: How interoperable tools enhance organizational agility - **Data democratization**: Breaking silos to empower decision-making - **Low-code solutions**: Accelerating innovation through accessible tech - **Remote collaboration**: Redefining teamwork in distributed environments

How does *Too Big to Ignore* address workplace technology?

Simon advocates for “hub-and-spoke” models, where centralized platforms (hubs) integrate with specialized tools (spokes). He critiques legacy systems that hinder adaptability, offering case studies on companies successfully implementing AI, automation, and real-time analytics.

What critiques exist about *Too Big to Ignore*?

Some argue the book assumes mid-size corporate resources, potentially overlooking small-business constraints. Others note its focus on tech-savvy industries may limit applicability to traditional sectors. However, its principles remain broadly valuable for digital-first strategies.

How does *Too Big to Ignore* relate to Phil Simon’s other books?

It expands on themes from *The Age of the Platform* (tech ecosystems) and *The Nine* (workplace evolution), offering a tactical playbook rather than theoretical analysis. Simon ties concepts like data literacy and API-driven workflows to broader organizational trends.

What real-world examples does *Too Big to Ignore* use?

Case studies include: - Enterprise adoption of Notion and Airtable for project management - Healthcare systems using interoperable platforms for patient data - Retailers leveraging low-code tools to streamline omnichannel operations

How does *Too Big to Ignore* approach collaboration tools?

Simon emphasizes “purposeful tool stacking”—strategically combining communication apps (Slack, Teams), documentation platforms (Confluence, Coda), and workflow automations. He warns against tool sprawl, advocating for integrated ecosystems over disjointed solutions.

Resumen de Demasiado grande para ignorarlo

The Business Case for Big Data

Phil Simon

3.65(129 Reviews)

Descripción general: Resumen de Demasiado grande para ignorarlo

En "Too Big to Ignore", Phil Simon revela cómo empresas como Netflix y Google aprovechan el 80% de los datos no estructurados que no se utilizan para revolucionar las decisiones empresariales. ¿Qué ventaja estratégica podría obtener usted de los mismos Big Data que transformaron industrias enteras?

Elige cómo se cuenta

Explora el Resumen de Demasiado grande para ignorarlo con distintos estilos de aprendizaje

Las mismas ideas de Demasiado grande para ignorarlo. Elige la voz, profundidad y ritmo que más te convengan. Cambia cuando quieras.

Capítulo 1

La marea que no cabe en una planilla

La información más valiosa que tiene una empresa es, justamente, la que nunca aprendió a guardar. Durante décadas, hablar de datos empresariales significaba pensar en filas y columnas. Nombres de clientes, números de pedido, fechas de envío. La estructura prolija de una planilla de cálculo. Pero hacia el año 2005, ese mundo llegó a su fin de forma silenciosa. Fotos, publicaciones en redes, grabaciones de atención al cliente, lecturas de sensores, artículos de blog. Todo ese universo de datos que se niega a quedarse quieto en una tabla empezó a crecer a un ritmo que nadie había contemplado en sus presupuestos. Según algunas estimaciones, más del ochenta por ciento de lo que genera una organización moderna ni siquiera se puede abrir en Excel. Phil Simon pasó casi quince años en el centro de ese desorden trabajando como consultor. Vio cómo muchas empresas se ahogaban en su propia información mientras les llegaban olas de datos nuevos sin parar. Y escribió sobre este tema por una razón crucial. No para deslumbrarnos con servidores ni algoritmos, sino para demostrar que este cambio es, ante todo, un desafío de liderazgo antes que un problema tecnológico. Las herramientas que describe, como Hadoop, NoSQL o las bases de datos orientadas a columnas, eran de última generación cuando se publicó su libro en 2013. Es verdad que algunos proveedores de esa época ya desaparecieron. Pero lo que sigue intacto es la disciplina de fondo. Se trata de cómo un líder decide si su organización está lista para aprovechar ese torrente de ruido, cómo se transforman mil millones de datos en decisiones concretas y qué ocurre cuando una empresa se equivoca en público con todo esto. Ese es el verdadero hilo conductor de esta historia. No estamos haciendo una visita guiada por los programas de software que estaban de moda en 2013. Estamos analizando una teoría práctica sobre cómo se construye el criterio guiado por datos dentro de una empresa, decisión tras decisión. Empecemos por ver dónde estuvo escondido el valor todo este tiempo.

Capítulo 2

El oro escondido en el caos

Cuando la mayoría de los ejecutivos escuchan la palabra "datos", lo primero que imaginan sigue siendo una tabla. Número de cliente, nombre, código postal, contacto. Algo limpio, contable y obediente. Pero ese instinto es precisamente lo que les impide ver dónde se genera el valor real hoy en día. Pensemos por un momento en un hospital. Un hospital regional de tamaño mediano recibe unos doscientos pacientes nuevos en un día cualquiera. Ninguna avalancha de tuits o publicaciones en blogs va a cambiar ese número. Los hospitales tienen camas, y las camas son finitas. Es lo opuesto a una red social. Es una organización que, sin importar cuánto crezca internet, no se beneficia de los efectos de red. Ahora comparemos eso con una empresa como Amazon. Los datos de Amazon crecen simplemente por existir. Cada inicio de sesión y cada clic se suman a la pila sin que un vendedor tenga que mover un dedo. Son dos organizaciones con relaciones completamente distintas frente al crecimiento. Y la mayoría de las empresas se encuentran hoy en algún punto intermedio entre ese hospital y Amazon, sin saber muy bien a cuál de los dos se parecen más. Ahora pensemos en algo tan cotidiano como una foto. Una foto tomada con el teléfono en un concierto, subida a una plataforma, etiquetada con una ubicación, una fecha y el nombre de una banda. Cada una de esas imágenes lleva consigo una capa oculta de información sobre sí misma. La hora exacta, el tamaño del archivo, las coordenadas de GPS, la configuración de la cámara. Esa capa invisible se llama metadata, es decir, datos sobre los datos. Y eso es lo que permite que un desconocido busque "bateristas de rock" y encuentre una foto que la persona que la subió jamás pensó en etiquetar de esa manera. Nada de eso vive en una tabla prolija. Todo vive en medio del caos. Y ese caos es enorme por diseño, no por accidente. Los datos no estructurados, llenos de texto, no relacionales y que se resisten a entrar en la estructura tradicional de filas y columnas, están creciendo entre diez y cincuenta veces más rápido que los datos estructurados. Ante esto, la mayoría de las empresas simplemente han optado por mirar hacia otro lado. Según una encuesta de IBM, menos de la mitad de las organizaciones se toman el trabajo de recolectar y analizar lo que pasa en sus redes sociales. Tratan un tuit como si fuera ruido de fondo, en lugar de verlo como la mano levantada de un cliente. Aquí es donde vale la pena cambiar el enfoque. Todo ese ruido no es una distracción de las preguntas reales del negocio. Es el lugar donde están guardadas las respuestas a las preguntas de la próxima generación. La empresa que aprende a escuchar ese ochenta por ciento no estructurado no está haciendo nada extravagante. Simplemente está prestando atención a lo que la mayoría de sus clientes ya le está diciendo.

Ve cada palabra mientras la escuchas

Sigue la lectura sin esfuerzo mientras cada palabra del Resumen de Demasiado grande para ignorarlo se ilumina en tiempo real.

Capítulo 3

Dos palos en la misma bolsa

Nada de esto significa que haya que tirar la planilla de cálculo a la basura. De hecho, ahí es donde falla mucho del entusiasmo ciego por el Big Data, y conviene ser muy claros en este punto. Una organización que no puede manejar sus datos transaccionales ordinarios y estructurados, como la liquidación de sueldos, las facturas o los registros de clientes, no tiene nada que hacer persiguiendo datos no estructurados. Es como tener dos palos de golf diferentes en la misma bolsa. Un palo de gran alcance puede lanzar la bola a trescientas yardas en el campo, pero nadie lo usa para embocar a corta distancia. Se necesitan los dos palos para hacer un buen juego, y lo mismo aplica aquí. Pensemos en los datos estructurados bien administrados, lo que Simon llama Small Data, como si fuera el juego de las damas. Y pensemos en los datos no estructurados, más complejos y difíciles, como el ajedrez. Si uno no sabe jugar a las damas, no tiene sentido sentarse a una mesa de ajedrez. El consultor Tony Fisher, que construyó su carrera trabajando exactamente en este problema, dio en el clavo sobre por qué tantas empresas se quedan estancadas. Cada departamento gestiona la información para responder a sus propias necesidades y no a las de la empresa en su conjunto. Ventas optimiza para ventas, recursos humanos para recursos humanos. El resultado es una organización incapaz de responder preguntas básicas sobre sí misma. Cuántos empleados trabajan aquí realmente. Qué habilidades nos están faltando. Qué clientes nos compraron el año pasado. Simon cuenta cómo vio a muchas empresas ubicarse a sí mismas en una especie de pirámide de madurez de datos. Y la incómoda realidad es que muy pocas están cerca de la cima. La mayoría todavía sigue luchando para saber con precisión cuánta gente tiene en nómina. Esto es fundamental para todo lo que viene después. Todas las herramientas sofisticadas que veremos a continuación, los concursos abiertos, el análisis de sentimiento o los paneles de visualización, solo van a potenciar la base que ya exista. Una empresa que se está ahogando en registros duplicados de clientes no se va a salvar por agregarle datos de Twitter encima. Solo va a pasar de tener un problema a tener dos. El Big Data es un complemento del Small Data, nunca su reemplazo. Las empresas que se saltan este paso son las que gastan fortunas en herramientas nuevas solo para ver cómo reaparecen exactamente los mismos vicios de siempre.

Capítulo 4

Lo que Twitter le hizo a Netflix

Los datos a gran escala pueden protegerte, pero también pueden volverse en tu contra con una velocidad escalofriante. Y no hay mejor ejemplo de ese giro repentino que lo que le ocurrió a Netflix a mediados de 2011. Para ese entonces, Netflix había construido una de las operaciones de datos más avanzadas del mundo. No solo registraban qué veían sus veinticinco millones de usuarios. También sabían cuándo pausaban, cuándo rebobinaban, qué dispositivo usaban y a qué hora del día consumían contenido. Tan solo en los últimos tres meses de 2011 registraron más de dos mil millones de horas de reproducción, cuatro millones de valoraciones diarias y tres millones de búsquedas al día. El setenta y cinco por ciento de lo que la gente miraba salía directo de las recomendaciones del sistema. No eran suposiciones. Era una de las radiografías de comportamiento del consumidor más detalladas jamás creadas. Y su fundador, Reed Hastings, había construido sobre esa base una empresa que la gente adoraba. Pero entonces Hastings tomó una decisión de negocios que no tuvo nada que ver con todos esos datos. Decidió separar el servicio de alquiler de películas por correo para crear una marca independiente llamada Qwikster, cambiando las tarifas y la identidad de marca en un solo movimiento bastante torpe. Eso enfureció a los clientes de inmediato. Y aquí viene el detalle que convierte esto en una lección sobre Big Data y no solo en un error corporativo. El descontento no se quedó guardado. Saltó de inmediato a Twitter y Facebook en tiempo real y a la vista de todo el mundo. Empezaron a aparecer videos en YouTube titulados "Netflix apesta". Según algunas estimaciones, solo la repercusión en Twitter explicó más del diez por ciento de la caída de las acciones de la empresa. Netflix perdió más de la mitad de su valor de mercado en solo dos meses y vio partir a más de ochocientos mil clientes antes de que Hastings pidiera disculpas públicas y diera marcha atrás. La lección no es que las redes sociales sean peligrosas. Es que el Big Data no genera buen criterio por sí solo, sino que amplifica el criterio que uno ya tiene. Lo de Qwikster era una mala decisión por sí misma. Twitter no causó el fallo, solo hizo que el fallo viajara a la velocidad de la luz en lugar de propagarse boca a boca. Todo líder que hoy tiene acceso a datos de opinión en tiempo real debería reflexionar sobre esto. La misma herramienta que te permite ver a tus clientes con claridad es la que permite que tus clientes vean tus errores con la misma nitidez y los difundan antes de que termines de cometerlos.

Saca más partido al Resumen de Demasiado grande para ignorarlo

Recibe ideas a diario de más de 100 mil lecciones
Las palabras se iluminan al ritmo del audio
Tu biblioteca guardada en todos tus dispositivos

Capítulo 5

Convertir números en una historia que los ejecutivos crean

De nada sirve todo este análisis si jamás sale de la computadora del especialista. La habilidad real no está en encontrar el patrón entre cien millones de filas, sino en lograr que un grupo de ejecutivos escépticos también lo vea, y en el tiempo que lleva dar una mirada rápida a una pantalla. Por eso la visualización de datos dejó de ser un adorno secundario y se convirtió en una disciplina propia. Tableau Software no ganó el reconocimiento al mejor análisis de datos de DM Review ni la mención de PC Magazine por hacer gráficos más vistosos. Ganó esos reconocimientos porque resolvió un problema concreto de liderazgo. Cualquiera puede mirar una tabla de cien filas y detectar un valor extraño, pero nadie puede hacer eso con cien millones de datos. Una imagen no es un simple decorado para un argumento. Para un volumen de información de ese tamaño, una imagen es el único argumento que realmente funciona. En Amazon entendieron este concepto desde muy temprano. Diseñaron un mapa de calor sobre la venta de libros políticos en todo Estados Unidos, donde las zonas conservadoras brillaban en rojo cuando sus títulos vendían más que los de postura liberal. La empresa fue muy cuidadosa al aclarar los límites de su herramienta. Recordaban a la gente que comprar un libro no es lo mismo que votar, ya que una compra puede responder tanto a la curiosidad como a una convicción. Sin embargo, el mapa lograba algo que ninguna planilla de cálculo podía hacer. Permitía captar de un solo vistazo lo que de otro modo habría tomado horas de análisis cruzado. La otra cara de esta capacidad de convencer está en la experimentación activa, no solo en la visualización. Mucho antes de que el concepto de Big Data se pusiera de moda, la empresa Capital One ya realizaba miles de experimentos en vivo con sus propios clientes. Enviaban distintas combinaciones de tasas de interés, costos anuales y límites de crédito a diferentes grupos para medir qué propuesta funcionaba mejor. Gary Loveman, el presidente ejecutivo de los casinos Harrah's, explicaba esta disciplina con una regla muy directa. Decía que en su empresa había solo dos formas de ser despedido: robar, o lanzar un experimento comercial sin un grupo de control adecuado. Para el año 2007, Capital One ya ejecutaba veintiocho mil pruebas independientes al año. Eric Ries, durante la promoción de su libro El método Lean Startup, aplicó esta misma lógica a una decisión personal. Tuvo un desacuerdo con su editorial por los diseños de portada que le presentaban, los cuales le parecían pésimos. En lugar de discutir basándose en gustos personales, decidió ponerlos a prueba. Realizó experimentos en vivo probando imágenes y subtítulos hasta que los datos mostraron una opción objetiva que la editorial pudo aceptar. Y luego hizo algo todavía más astuto. Ofreció a los lectores que encargaban el libro por adelantado la posibilidad de ver los datos reales del experimento de marketing. De este modo, transformó el proceso de prueba en su propio argumento de venta. Esa es la idea central que conviene recordar. Convencer a otros en una cultura guiada por datos no se trata de abrumar a la gente con números. Se trata de encontrar ese gráfico o ese resultado de prueba tan innegable que cierre la discusión.

Capítulo 6

El taller abierto: Hadoop, Kaggle y el talento prestado

Aquí es donde entra en juego la infraestructura técnica real. Vale la pena explicar cómo funciona en lugar de solo mencionarla, porque la mayoría de los directivos escuchan la palabra "Hadoop" y desconectan la atención. En el fondo, Hadoop resuelve un problema muy específico. Las bases de datos tradicionales asumen que la información llega en filas ordenadas, pero los datos no estructurados no funcionan así. Así que, en lugar de forzar todo dentro de una tabla desde el comienzo, Hadoop toma un problema gigante, lo divide en fragmentos más pequeños, los distribuye entre varias computadoras comunes que trabajan en paralelo y luego junta los resultados. Es una herramienta gratuita, de código abierto, que nació directamente de tecnologías que Google desarrolló para su propio uso interno. Lo que la hace tan resistente no es el código en sí, sino la comunidad que hay detrás. Cuando un ingeniero de Google llamado Marcel Kornacker se cansó de crear herramientas internas brillantes que el público jamás vería, renunció a la empresa, se tomó dos semanas para hacer pan en su casa y en 2008 se sumó a una pequeña empresa llamada Cloudera para construir esa misma tecnología de forma abierta. Esa sola decisión profesional ayudó a transformar a Hadoop de una curiosidad técnica en una industria entera. De todos modos, la decisión de gestión más interesante no consiste en instalar una plataforma, sino en darse cuenta de que no hace falta contratar a todo el talento para aprovecharla. De ahí surge la idea de Kaggle, fundada en 2010 por Anthony Goldbloom y Jeremy Howard. Es una plataforma donde una empresa publica un conjunto de datos y un problema real, y una comunidad global de más de cuarenta mil científicos de datos en cien países compite para resolverlo. Solo cobran un premio en dinero si su modelo resulta ganador. La NASA opera un sistema casi idéntico a través del Laboratorio de Torneos de la NASA, desarrollado junto a la Escuela de Negocios de Harvard y la empresa TopCoder. En un concurso, la NASA liberó treinta años de información y más de cien terabytes de datos de misiones planetarias para pedirle al mundo ideas sobre qué se podía construir con todo eso. En dos semanas obtuvieron doscientas doce personas registradas y treinta y seis propuestas entregadas. La idea ganadora, una herramienta para detectar áreas no exploradas en el archivo planetario, no salió de un laboratorio de la NASA. Salió de una joven de veintitantos años llamada Elena Shutova, que trabajaba desde Kiev, Ucrania, y se llevó un premio de mil dólares. Ese es el flujo de trabajo que un líder sin perfil técnico necesita entender. No hace falta contratar a un ejército interno de científicos de datos para acceder a un pensamiento de primer nivel. Lo que se necesita es saber formular el problema con la claridad suficiente para que un desconocido al otro lado del planeta pueda resolverlo. El propio equipo de la NASA descubrió que la parte más difícil nunca fue la tecnología. Fue descomponer el problema en una pregunta lo bastante concreta como para que alguien externo pudiera atacarla.

Ve cada palabra mientras la escuchas

Sigue la lectura sin esfuerzo mientras cada palabra del Resumen de Demasiado grande para ignorarlo se ilumina en tiempo real.

Capítulo 7

La prueba de madurez antes de gastar un solo centavo

Este es el error que cometen las empresas apenas se entusiasman con todo esto: compran el software antes de preguntarse si su cultura organizacional está lista para usarlo. Phil Simon cuenta la historia de una empresa de la lista Fortune 500 a la que llama ABC. Es un caso que vale la pena analizar porque se repite todo el tiempo. ABC implementó un sistema corporativo muy moderno con una herramienta de análisis de negocios avanzada. Una ejecutiva de recursos humanos llamada Diane les decía con orgullo a sus colegas que, gracias a esos nuevos reportes, su área al fin podía ser un socio estratégico real. Lo que Diane no sabía, o no quería saber, era que esos reportes no salían del software nuevo. Su propio equipo seguía armando los números a mano detrás de escena, cruzando datos de varios sistemas antiguos. Y aun con todo ese trabajo manual, los informes estaban llenos de errores. Los directivos culparon al software, pero el sistema no tenía nada que ver. La información con la que lo alimentaban era pésima. Y ninguna herramienta, por más avanzada que sea, puede transformar datos basura en información valiosa. Si entra basura, sale basura. Eso es tan cierto para una red de Hadoop como lo era para las computadoras de los años ochenta. Por eso, antes de invertir dinero real, cualquier líder necesita respuestas honestas a una serie de preguntas simples. ¿Qué van a hacer concretamente con estos datos en los próximos seis meses y en los próximos tres años? ¿Qué preguntas nuevas están dispuestos a hacer que nunca se hicieron antes? Y aquí viene la prueba más dura: ¿están realmente preparados para recibir respuestas inesperadas que contradigan lo que un alto ejecutivo sostuvo durante veinte años? Porque una organización que solo busca datos para confirmar sus propios instintos no construyó una cultura analítica. Solo compró un espejo muy caro. La respuesta sincera ubica a la mayoría de las empresas en uno de tres grupos. Algunas están realmente listas para avanzar. Para ellas el consejo es simple: adelante, pero no asuman que necesitan comprar todos los servidores cuando existen opciones en la nube. Otras claramente no están listas, y lo mejor que pueden hacer es admitirlo de entrada, antes de gastar en consultores y sufrir un proyecto fallido, para volver a evaluar el tema en seis meses. Y un buen número de empresas se encuentra en un punto medio indefinido. En ese caso, lo ideal es probar antes de comprometerse. Se puede hacer un proyecto piloto en la nube a bajo costo para ver si el esfuerzo vale la pena antes de invertir en una infraestructura permanente. Ninguno de estos consejos suena espectacular, pero son los que marcan la diferencia entre una iniciativa de datos que cambia la forma de pensar de una empresa y un gasto enorme del que nadie vuelve a hablar.

Capítulo 8

Apuestas pequeñas, ciclos rápidos

Si una empresa pasa esa prueba inicial, el siguiente error común es intentar abarcarlo todo desde el primer día. Tratan al primer proyecto como si tuviera que resolver cada duda histórica que la organización tuvo sobre sus clientes. La aplicación para reportar pozos en las calles desarrollada en Boston, llamada Street Bump, es un ejemplo claro de cómo hacer lo contrario. No se lanzó como un sistema perfecto y definitivo. Nació más bien como una prueba de concepto, una primera versión sencilla pensada para ir mejorando a medida que se recibieran nuevos datos y aprendizajes. Eso no es un fallo de planificación. Es la forma correcta de construir algo en un terreno donde todavía nadie sabe cómo debería verse la versión final. La cadena de tiendas Sears ofrece un ejemplo similar orientado al impacto financiero directo. Su antigua estructura informática era tan pesada que generar informes de análisis de clientes podía demorar meses. Eso era una eternidad mientras competidores como Walmart y Amazon operaban en tiempo real y ganaban terreno. Al adoptar Hadoop y otras herramientas afines, Sears logró aumentar sus ganancias un 163 por ciento en el trimestre que terminó en julio de 2012 en comparación con el trimestre anterior. Su propio director de tecnología resumió la estrategia de forma contundente: el viejo proceso de extracción, transformación y carga, que exigía años para encajar los datos en formatos rígidos antes de poder mirarlos, tenía que desaparecer. Y no porque el rigor no importe, sino porque Hadoop permite trabajar con los datos en su estado original y hacerles preguntas directamente, en lugar de decidir de antemano qué forma debe tener la respuesta. El principio detrás de ambos ejemplos es el mismo y se puede expresar con claridad. No hay que intentar predecir la pérdida de clientes desde el primer día si nunca se logró rastrear con éxito el comportamiento básico del usuario. Hay que empezar con algo lo bastante acotado como para terminarlo, aprender a convivir con la incomodidad de no conocer la respuesta de antemano y dejar que la herramienta mejore como mejoró Street Bump: a través del uso real, y no mediante un plan perfecto redactado en una sala de reuniones antes de haber detectado el primer pozo en la calle.

Saca más partido al Resumen de Demasiado grande para ignorarlo

Recibe ideas a diario de más de 100 mil lecciones
Las palabras se iluminan al ritmo del audio
Tu biblioteca guardada en todos tus dispositivos

Capítulo 9

Cuando tu refrigerador empieza a hablar

Hasta ahora, todo lo que vimos asume que las personas generan la información de forma activa al escribir, hacer clic, subir archivos o publicar mensajes. El siguiente cambio es más extraño y, en cierto punto, más profundo. Se trata de máquinas que generan datos sobre nosotros sin que tengamos que hacer nada. Esto es lo que se conoce como el Internet de las Cosas, un término que el investigador Kevin Ashton usó por primera vez en 1999. La lógica es simple: si le das a las computadoras sus propios sentidos a través de sensores, chips de identificación por radiofrecuencia y conexiones a la red, dejan de depender de que los humanos ingresen información. Simplemente observan. Tony Fadell, el ingeniero que diseñó el hardware de once modelos consecutivos del iPod, dejó Apple y aplicó esa misma lógica a un objeto que nadie consideraba interesante: el termostato. El termostato inteligente Nest no se limita a dejarte ajustar la temperatura a distancia desde el teléfono. Aprende en silencio que te gusta tener la casa a setenta y un grados por la noche en invierno y más fresca durante el día, y se regula solo sin que tengas que programar tus preferencias. En Chattanooga, Tennessee, una empresa pública de electricidad llamada EPB llevó esa lógica a la red eléctrica. Instalaron medidores inteligentes que reportan el consumo cada quince minutos en lugar de una vez al mes. Así, cuando hay un corte de servicio, la empresa lo detecta y lo resuelve en minutos, mucho antes de que un cliente enojado llame por teléfono. Nada de esto requirió que una persona registrara un dato. La información se acumula como un efecto secundario de la vida diaria. Pero la historia que muestra hasta dónde puede llegar esta recolección pasiva, y por qué exige tanta responsabilidad ética, viene de la cadena de tiendas Target. En el año 2002, dos ejecutivos de marketing le plantearon una pregunta inusual a un especialista en estadística llamado Andrew Pole. Le preguntaron si era posible saber si una cliente estaba embarazada, incluso si ella no quería que la empresa lo supiera. Pole se tomó el desafío en serio. Diseñó un modelo basado en las compras pequeñas y cotidianas que cambian cuando comienza un embarazo: cremas sin perfume, ciertas vitaminas, productos que una mujer empieza a comprar y, con la misma claridad, los que deja de consumir. Usando únicamente el historial de compras habitual, Target empezó a enviar cupones de descuento para cunas y ropa de bebé a mujeres que el sistema identificaba con alta probabilidad de embarazo, mucho antes de que ellas lo anunciaran públicamente. Un año después, un padre muy molesto entró a un local de Target cerca de Mineápolis con un folleto dirigido a su hija adolescente. El folleto estaba lleno de anuncios de maternidad y fotos de bebés sonrientes. El hombre exigió hablar con el gerente para saber por qué la tienda parecía estar motivando a su hija a quedar embarazada. El gerente le pidió disculpas, algo confundido, y volvió a llamarlo a los pocos días para reiterar sus excusas. Pero esta vez el padre cambió de tono. Le confesó que había hablado con su hija y descubrió que estaban pasando cosas en su casa de las que no estaba al tanto. Le dijo que el bebé nacía en agosto y le pidió disculpas al gerente. El modelo de Target, construido solo a partir de tickets de compra, había entendido lo que pasaba en esa casa antes que el propio padre de la joven. Es una historia que produce cierta incomodidad, y está bien que así sea. La revolución de los datos pasivos significa que cada compra, cada dispositivo y cada ajuste de temperatura construye un perfil sobre nosotros sin que lo entreguemos de forma consciente. Las mismas herramientas que hacen que un termostato Nest sea útil o que el servicio de EPB sea eficiente son las que permiten a Target deducir un embarazo a partir de una lista de compras. La tecnología no distingue entre un uso y otro. Esa diferencia solo la marcan las personas que la manejan.

Capítulo 10

Lo que los datos no pueden decirte

Esto nos lleva de vuelta a un principio fundamental que debemos mantener presente frente a cualquier gráfico, algoritmo o panel interactivo: nada de esto reemplaza el juicio humano. Lo único que hace es aumentar la responsabilidad de tenerlo. Nate Silver, al hablar de su trabajo en predicciones, lo explicó de forma muy clara. Las predicciones basadas en datos pueden funcionar o pueden fallar. Y el riesgo de fallo aumenta justamente cuando negamos nuestro propio rol en el proceso. Antes de exigirle más a los datos, tenemos que exigirnos más a nosotros mismos. Esto no es un parche ni una aclaración secundaria dentro de un argumento a favor de la tecnología. Es el centro mismo de la cuestión. Las organizaciones que obtuvieron un valor real de esta transformación no ganaron por tener las herramientas más avanzadas. Pensemos en una pequeña empresa de publicidad digital que tuvo que inventar su propio sistema de archivos porque Hadoop no era lo bastante grande para sus necesidades; o en una empresa de registros médicos que eligió la transparencia por sobre el aislamiento de datos; o en una agencia gubernamental que lanzó concursos abiertos en lugar de guardar los problemas bajo llave. Todas ellas ganaron porque alguien en la sala estuvo dispuesto a hacer una pregunta incómoda y aceptar sinceramente la respuesta, incluso cuando contradecía veinte años de intuición corporativa. Esa es la verdadera invitación detrás de todo esto, y tiene muy poco que ver con servidores o licencias de software. En nuestro propio trabajo siempre hay un número que venimos esquivando, un comentario que intentamos justificar o un patrón en los clientes o en el equipo que ya sospechamos pero no nos decidimos a confirmar. Las herramientas para encontrar esa respuesta nunca fueron tan accesibles ni tan baratas. Lo que ninguna herramienta puede hacer es darte la valentía para mirar. Esa parte, como siempre ha sido, sigue dependiendo de ti.

★★★★★

Has llegado al final del Resumen de Demasiado grande para ignorarlo

“Llevo 23 días y lo he usado todos los días. Ya forma parte de mi rutina diaria.”

jayallen

Temas clave del Resumen de Demasiado grande para ignorarlo

unstructured data management
data-driven decision making
predictive analytics strategy
information economy survival
enterprise data governance

Mejores citas del Resumen de Demasiado grande para ignorarlo

Understanding Big Data isn't just advantageous; it's essential for survival.
Big Data isn't a magical solution to organizational problems.
Big Data complements but doesn't replace traditional systems.
Big Data cannot eliminate uncertainty entirely.
Big Data doesn't fit neatly into traditional database structures.

Personajes del Resumen de Demasiado grande para ignorarlo

Phil SimonAuthor and expert on Big Data strategy
Douglas LaneyAnalyst who defined the 3Vs of Big Data
Potter StewartJustice cited for his definition threshold

Sobre el Autor

Phil Simon, autor galardonado de Too Big to Ignore: The Business Case for Big Data, es un reconocido experto en tecnología y estrategia empresarial especializado en análisis de datos, colaboración en el lugar de trabajo e innovación disruptiva. Exmiembro de la facultad de la W. P. Carey School of Business de la Universidad Estatal de Arizona, Simon combina su experiencia en consultoría empresarial e investigación académica para desmitificar los complejos cambios tecnológicos para los líderes empresariales.

Sus 14 libros —incluyendo The Age of the Platform y The Nine: The Tectonic Forces Reshaping the Workplace— exploran las intersecciones en evolución entre la tecnología, la comunicación y el diseño organizacional, obteniendo cinco premios Axiom Business Book Awards.

Colaborador frecuente de Harvard Business Review, The New York Times y CNN, Simon asesora a empresas de la lista Fortune 500 y ha ofrecido conferencias magistrales para Netflix, IBM y la Harvard Business School. Su enfoque pragmático sobre el Big Data en Too Big to Ignore se basa en estudios de casos del mundo real, ofreciendo marcos de trabajo accionables para aprovechar la sobrecarga de información. El libro ha sido elogiado por líderes de la industria y traducido a múltiples idiomas, consolidando la reputación de Simon como un puente entre la complejidad técnica y la toma de decisiones ejecutivas.

Descargar resumen de Demasiado grande para ignorarlo

Obtén el resumen de Demasiado grande para ignorarlo como PDF o EPUB gratis. Imprímelo o léelo sin conexión en cualquier momento.

A los usuarios también les gustó

Too Big to Ignore

Phil Simon

Big Data

Viktor Mayer-Schönberger & Kenneth Cukier

Bernard Marr

Martin Lindstrom

Eric Siegel

Dimitri Maex

It's Not the Size of the Data -- It's How You Use It: Smarter Marketing with Analytics and Dashboards

Koen Pauwels

All-In on AI

Tom Davenport & Nitin Mittal

Preguntas frecuentes sobre el Resumen de Demasiado grande para ignorarlo

Descubre más

PLAN DE APRENDIZAJE

The Billion-Pound Blueprint

This blueprint is essential for ambitious entrepreneurs and executives aiming to transition from a successful model to a market-dominating empire. It provides the strategic roadmap for scaling operations without compromising the core integrity of the business.

45 m•3 Secciones

PLAN DE APRENDIZAJE

Innovate Like the Top 1%

In an era of rapid change, the ability to innovate systematically is the only sustainable competitive advantage. This program is designed for ambitious leaders and entrepreneurs who want to move beyond luck and master the repeatable frameworks used by the world's most successful disruptors.

5 h 21 m•4 Secciones

PLAN DE APRENDIZAJE

Digital Transformation: Systems Over Software

This plan is essential for leaders and entrepreneurs who feel stuck in reactive cycles and want to build scalable operations. It bridges the gap between simply using digital tools and architecting a business that improves itself through systems thinking.

2 h•4 Secciones

PLAN DE APRENDIZAJE

The Decision Science Toolkit

In an era of information overload, the ability to think systematically is a competitive advantage. This plan is designed for leaders and problem-solvers who need to move beyond gut instinct to master logical frameworks and probabilistic reasoning.

2 h•4 Secciones

PLAN DE APRENDIZAJE

Understand & influence human decision-making

In an era of information overload, understanding the hidden mechanics of the mind is a critical competitive advantage. This plan is ideal for leaders, marketers, and designers looking to leverage behavioral science to drive better results and ethical engagement.

4 h 40 m•4 Secciones

PLAN DE APRENDIZAJE

The Superscaling Revolution

This plan is essential for entrepreneurs and leaders looking to move beyond linear growth into exponential territory. It provides the strategic blueprint for anyone needing to master modular systems and cost-efficiency at a massive scale.

1 h•2 Secciones

PLAN DE APRENDIZAJE

The Hidden Operating System of Human Behavior

This plan bridge the gap between abstract psychology and practical application, revealing the invisible forces that govern our daily choices. It is essential for leaders, marketers, and anyone seeking to master influence and understand the mechanics of the human mind.

1 h 30 m•3 Secciones

PLAN DE APRENDIZAJE

The Data Science Engine

In an increasingly data-driven economy, understanding the end-to-end lifecycle of information is a critical competitive advantage. This plan is ideal for aspiring data professionals and managers who need to bridge the gap between technical execution and ethical leadership.

2 h•4 Secciones

Creado por exalumnos de la Universidad de Columbia | en San Francisco

BeFreed Reúne a una Comunidad Global de Mentes Curiosas

4.7

valoración media

Más de 7,84 mil valoraciones de la app

Comunidad BeFreed

En serio, todavía no he explorado la app a fondo, pero después de usarla estos últimos días estoy impresionadísima… BeFreed está en otro nivel comparada con cualquier otra app de aprendizaje que haya usado. Te engancha muchísimo y de verdad mejora la concentración, ¡ideal para los que no paran de hacer scroll!

@ladyInfinity

Compré BeFreed hace exactamente 23 días y lo he usado todos los días desde entonces. Se ha integrado por completo en mi rutina diaria de trabajo y aprendizaje.

@jayallen

La verdad es que la app ha superado todas mis expectativas. Puedo pedirle que genere audio sobre cualquier tema, sea cual sea, y el resultado es impresionante. Mi campo profesional es una especialización en psicoterapia y es multidisciplinario; aun así, las respuestas son muy precisas.

@Raguipa

Lo que más valoro es cuánto ha reducido mi scroll: paso menos tiempo buscando y más tiempo absorbiendo información. La combinación de audiolibros completos, podcasts y los planes de aprendizaje es brillante.

@colonyofcreatorsNGO

Llevo 24 años siendo instructor de aprendizaje acelerado PhotoReading… los libros, la lectura y el aprendizaje son lo mío, y BeFreed ha hecho un gran trabajo ofreciendo un enfoque innovador para transmitir información de una forma fácil de consumir.

@BeFreed user

No es solo una app de resúmenes de libros: he usado la opción de lectura divertida y es un resumen mucho mejor y una forma más fácil de captar las ideas que la manera tradicional; solo eso ya vale la pena.

@austinakon

Me encanta esta app. La he usado varios días y no puedo dejar de escuchar. Una forma buenísima de empezar.

@jcrules328

Me gusta mucho el programa; llevo alrededor de un mes probándolo y siento que es una verdadera joya. Funciona genial porque puedo usar BeFreed para crear mis propios temas, y la voz es buenísima, con opciones de narración ilimitadas.

@DanielCZ

En serio, todavía no he explorado la app a fondo, pero después de usarla estos últimos días estoy impresionadísima… BeFreed está en otro nivel comparada con cualquier otra app de aprendizaje que haya usado. Te engancha muchísimo y de verdad mejora la concentración, ¡ideal para los que no paran de hacer scroll!

@ladyInfinity

Compré BeFreed hace exactamente 23 días y lo he usado todos los días desde entonces. Se ha integrado por completo en mi rutina diaria de trabajo y aprendizaje.

@jayallen

La verdad es que la app ha superado todas mis expectativas. Puedo pedirle que genere audio sobre cualquier tema, sea cual sea, y el resultado es impresionante. Mi campo profesional es una especialización en psicoterapia y es multidisciplinario; aun así, las respuestas son muy precisas.

@Raguipa

Lo que más valoro es cuánto ha reducido mi scroll: paso menos tiempo buscando y más tiempo absorbiendo información. La combinación de audiolibros completos, podcasts y los planes de aprendizaje es brillante.

@colonyofcreatorsNGO

Llevo 24 años siendo instructor de aprendizaje acelerado PhotoReading… los libros, la lectura y el aprendizaje son lo mío, y BeFreed ha hecho un gran trabajo ofreciendo un enfoque innovador para transmitir información de una forma fácil de consumir.

@BeFreed user

No es solo una app de resúmenes de libros: he usado la opción de lectura divertida y es un resumen mucho mejor y una forma más fácil de captar las ideas que la manera tradicional; solo eso ya vale la pena.

@austinakon

Me encanta esta app. La he usado varios días y no puedo dejar de escuchar. Una forma buenísima de empezar.

@jcrules328

Me gusta mucho el programa; llevo alrededor de un mes probándolo y siento que es una verdadera joya. Funciona genial porque puedo usar BeFreed para crear mis propios temas, y la voz es buenísima, con opciones de narración ilimitadas.

@DanielCZ

Me encanta poder recibir información e ideas útiles y condensadas en un audio estilo podcast de 8 a 15 minutos. No soy muy fan de los podcasts por tanto relleno, pero esto va directo al grano.

@BeFreed user

Estoy terminando mi doctorado y tengo que leer muchísimo material desconocido… Con BeFreed simplemente escribes un prompt y la app encuentra las fuentes por ti y genera un podcast en audio. El proceso de BeFreed me parece más ágil que el de NotebookLM.

@Brad

Suelo buscar en YouTube algo que escuchar mientras preparo el desayuno, salgo a caminar o voy al trabajo, ¡y BeFreed ofrece un enfoque aún más certero, sin anuncios y sin relleno!

@BeFreed user

Lo mejor de esta plataforma es su versatilidad. Literalmente no hay tema que quede fuera. Le lanzas lo que sea y lo maneja… Es raro encontrar una herramienta de aprendizaje sin limitaciones que de verdad cumpla lo que promete.

@jayallen

BeFreed es fantástica. Su diseño intuitivo hace que pase menos tiempo navegando y más tiempo aprendiendo. La mezcla de audiolibros, podcasts y planes de aprendizaje es una combinación genial que ha cambiado por completo mi rutina diaria.

@BeFreed user

Al principio me llevó un rato entender cómo crear podcasts en italiano y ¡boom! ¡Es genial! Puedo pedirle que me explique cualquier tema y lo hace súper bien y con mucha inteligencia.

@matteo77

BeFreed se ha convertido en mi app diaria de audiolibros… Lo que más me gusta es que pones tu texto y te devuelve un audio que puedes escuchar donde sea.

@kotanzu1

Me encanta poder recibir información e ideas útiles y condensadas en un audio estilo podcast de 8 a 15 minutos. No soy muy fan de los podcasts por tanto relleno, pero esto va directo al grano.

@BeFreed user

Estoy terminando mi doctorado y tengo que leer muchísimo material desconocido… Con BeFreed simplemente escribes un prompt y la app encuentra las fuentes por ti y genera un podcast en audio. El proceso de BeFreed me parece más ágil que el de NotebookLM.

@Brad

Suelo buscar en YouTube algo que escuchar mientras preparo el desayuno, salgo a caminar o voy al trabajo, ¡y BeFreed ofrece un enfoque aún más certero, sin anuncios y sin relleno!

@BeFreed user

Lo mejor de esta plataforma es su versatilidad. Literalmente no hay tema que quede fuera. Le lanzas lo que sea y lo maneja… Es raro encontrar una herramienta de aprendizaje sin limitaciones que de verdad cumpla lo que promete.

@jayallen

BeFreed es fantástica. Su diseño intuitivo hace que pase menos tiempo navegando y más tiempo aprendiendo. La mezcla de audiolibros, podcasts y planes de aprendizaje es una combinación genial que ha cambiado por completo mi rutina diaria.

@BeFreed user

Al principio me llevó un rato entender cómo crear podcasts en italiano y ¡boom! ¡Es genial! Puedo pedirle que me explique cualquier tema y lo hace súper bien y con mucha inteligencia.

@matteo77

BeFreed se ha convertido en mi app diaria de audiolibros… Lo que más me gusta es que pones tu texto y te devuelve un audio que puedes escuchar donde sea.

@kotanzu1

Ver más sobre cómo se habla de BeFreed en la web