ARTÍCULO ORIGINAL  
INNOVA Research Journal, ISSN 2477-9024  
(
Mayo-Agosto 2024). Vol. 9, No.2 pp. 40-57  
DOI: https://doi.org/10.33890/innova.v9.n2.2024.2426  
URL: http://revistas.uide.edu.ec/index.php/innova/index  
Correo: innova@uide.edu.ec  
Análisis bibliométrico de la producción científica sobre Lago de Datos  
Bibliometric analysis of the scientific production on Data Lake  
Galo Mauricio López-Sevilla  
Pontificia Universidad Católica del Ecuador, Ambato, Ecuador  
glopez@pucesa.edu.ec  
https://orcid.org/0000-0003-4699-4875  
Ricardo Patricio Medina-Chicaiza  
Pontificia Universidad Católica del Ecuador, Ambato, Ecuador  
Universidad Técnica de Ambato, Ambato, Ecuador  
pmedina@pucesa.edu.ec  
ricardopmedina@uta.edu.ec  
https://orcid.org/0000-0002-2736-8214  
Recepción: 24/10/2023 | Aceptación: 21/02/2024 | Publicación: 10/05/2024  
Cómo citar (APA, séptima edición):  
López-Sevilla, G. M., y Medina-Chicaiza, R. P. (2024). Análisis bibliométrico de la producción  
científica sobre Lago de Datos. INNOVA Research Journal, 9(2), 40-57.  
https://doi.org/10.33890/innova.v9.n2.2024.2426  
Resumen  
El presente trabajo desarrolla un análisis bibliométrico de la producción científica que  
contextualiza la corriente sobre Lago de Datos. En ese sentido, lago de datos son infraestructuras  
de almacenamiento y gestión de grandes volúmenes de datos provenientes de diversas fuentes, con  
la intensión de facilitar su acceso, análisis y compartición. El objetivo de este artículo es mostrar  
una visión cuantitativa de la producción científica del tema entre los años 2018 y 2022, para así  
comprender el estado actual de la investigación, identificar tendencias y áreas de investigación  
emergentes, evaluar el impacto y promover la colaboración entre investigadores. La metodología  
permitió llevar a cabo una revisión sistemática de la literatura mediante un análisis retrospectivo  
descriptivo, usándose como fuente de información la base de datos Scopus, misma que reflejó 73  
artículos clave. En ese contexto, los resultados resaltan el interés sobre Lago de Datos desde el  
número de publicaciones de artículos por año hasta el top de principales autores, palabras clave y  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
40  
Análisis bibliométrico de la producción científica sobre Lago de Datos  
revistas respecto a producción científica. De manera que, denotan la importancia y las preferencias  
en la investigación sobre esta temática relevante para diversos ámbitos o áreas.  
Palabras claves: lago de datos; computación en la nube; datos grandes; análisis bibliométrico.  
Abstract  
This paper develops a bibliometric analysis of the scientific production that contextualizes the Data  
Lake current. In this sense, data lakes are infrastructures for storage and management of large  
volumes of data from various sources, with the intention of facilitating their access, analysis and  
sharing. The objective of this article is to show a quantitative view of the scientific production of  
the subject between 2018 and 2022, to understand the current state of research, identify trends and  
emerging research areas, evaluate the impact and promote collaboration among researchers. The  
methodology allowed carrying out a systematic review of the literature through a descriptive  
retrospective analysis, using the Scopus database as a source of information, which reflected 73  
key articles. In this context, the results highlight the interest on Data Lake from the number of  
article publications per year to the top of main authors, keywords and journals with respect to  
scientific production. Thus, they denote the importance and preferences in research on this topic  
relevant to various fields or areas.  
Keywords: data lake; cloud computing; big data; bibliometric analysis.  
Introducción  
El auge del Big Data ha sido un fenómeno disruptivo que ha revolucionado la forma en  
que las organizaciones gestionan y aprovechan la información. Este cambio radical en la manera  
en que concebimos y utilizamos los datos ha venido acompañado por una demanda insaciable de  
espacio de almacenamiento masivo (Rico et al., 2021). Esta necesidad no solo se basa en la  
capacidad de conservar grandes volúmenes de información, sino también en la habilidad de  
centralizar datos diversos y facilitar su análisis en tiempo real, impulsando así procesos de negocio  
más eficientes y orientados hacia resultados (Pasupuleti y Purra, 2017).  
En este contexto, las herramientas y técnicas tradicionales de procesamiento y  
almacenamiento de datos ya no son suficientes para satisfacer las demandas del mundo del Big  
Data (Hernández, Duque, y Moreno, 2017). Se han vuelto obsoletas frente a la magnitud y  
complejidad de los datos generados en la actualidad, es así como, la cantidad de datos generados  
en todo el mundo está en constante aumento, así según el informe de Reinsel, Gantz, y Rydning  
(
2020), se espera que para 2025 se generen 175 zettabytes de datos en todo el mundo, lo que supone  
un aumento exponencial respecto a los datos generados en 2018. La necesidad de una gestión  
eficiente de datos y su análisis se ha convertido en un aspecto vital en los negocios actuales.  
De acuerdo con ello, (Agudelo, 2020; Wieder y Nolte, 2022) destacan que en 2010 James  
Dixon (CTO de Pentaho – Compañía de Software de Inteligencia de Negocios), acuñó el término  
Lago de Datos o Data Lake como una solución cada vez más popular para aquellas necesidades.  
Es por ello, que para Shehab, Badawy, y Arafat (2020, p. 92-101), un lago de datos es "un sistema  
de almacenamiento masivo, destinado a alojar todo tipo de datos, estructurados y no estructurados,  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
41  
Galo Mauricio López-Sevilla y Ricardo Patricio Medina-Chicaiza  
ISSN 2477-9024. Innova Research Journal (Mayo-Agosto, 2024). Vol. N9, No. 2, pp. 40-57  
sin un esquema particular definido", siendo así un gran almacén de datos sin ninguna  
categorización o pauta estricta.  
Como resultado, un lago de datos se convierte en un repositorio centralizado que almacena  
una gran cantidad de datos en su forma original y cruda, sin procesarlos ni transformarlos. Es así  
como, proviene de diversas fuentes, incluidos sensores, redes sociales, sistemas transaccionales y  
dispositivos móviles. De esta forma, las empresas podrán acceder y explotar una gran cantidad de  
información en tiempo real; y a la vez almacenar información estructurada, no estructurada y  
semiestructurada (Jarke et al., 2013). Entiéndase, por estructurada aquella información que maneja  
un esquema determinado; no estructurado aquel que no sigue un esquema o modelo de datos, pero  
si mantiene una estructura interna; y semiestructurada aquella que se organiza mediante etiquetas  
o tags que permiten crear y agrupar un conjunto de datos (Madera y Laurent, 2019).  
De manera que, un lago de datos se utiliza para apoyar procesos tradicionales y modernos  
de extracción, transformación y carga de datos (ETL) (Romero y Melendres, 2023), así también  
para realizar análisis avanzados, minería de datos, aprendizaje automático y otras aplicaciones de  
inteligencia artificial (Grossman, 2019; Sakr y Gaber, 2019). Por tanto, existen tecnologías para  
construir a un lago de datos, incluyéndose Hadoop, Apache Spark y Amazon S3. En base aquello,  
entre los beneficios que sobresalen están la escalabilidad, flexibilidad y costos más bajos en el  
almacenamiento y procesamiento de grandes cantidades de datos (Lorenzo y López, 2022).  
En teoría, lago de datos permite un acceso fácil y rápido a todos los datos del negocio  
(desde cualquier fuente y en cualquier formato), y también la experimentación, descubrimiento y  
exploración (Balseca, Colina, y Espinoza, 2021). Si se explota correctamente, un lago de datos se  
puede obtener una amplia gama de beneficios, entre ellos la facilidad de uso y accesibilidad (Goyal  
y Malviya, 2023). Según Rawat, Doku, y Garuba (2019), la gestión de la calidad del dato y la  
privacidad siguen siendo desafíos significativos en un lago de datos, al contrario de los enfoques  
tradicionales de la gestión de datos, como los data warehouses (Kimball y Ross, 2013).  
En este sentido, el análisis de datos en un lago de datos ofrece numerosas ventajas en  
términos de eficiencia y productividad, permite a las organizaciones tomar decisiones más  
informadas y precisas, así como identificar oportunidades y desafíos en tiempo real, convirtiéndose  
en una solución cada vez más relevante y necesaria para el análisis de información.  
De este modo, se plantea como objetivo mostrar una visión cuantitativa de la producción  
científica sobre lago de datos publicada en la base de datos Scopus, con la intensión de identificar  
tendencias y patrones en la investigación de este tema, así como reseñar autores y publicaciones  
más influyentes en el campo, para con ello proporcionar un contenido general de la evolución  
histórica de la investigación, lo cual es valioso para comprender el estado actual y el futuro de este  
campo. Por lo que, es imprescindible señalar que este trabajo sigue un procedimiento para alcanzar  
los resultados asociados a las preguntas de investigación delineadas durante el planteamiento del  
objeto de estudio; detallándose en los siguientes apartados.  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
42  
Análisis bibliométrico de la producción científica sobre Lago de Datos  
Metodología  
En este estudio bibliométrico descriptivo, se identificó, resumió, sistematizó y analizó la  
información generada en fuentes de información relevantes para el tema en análisis (Solano et al.,  
2
019). Para ello, se realizó una revisión de los artículos publicados en la base de datos Scopus,  
reconocida como una de las más utilizadas en el campo de ciencia y tecnología, se siguió el  
protocolo establecido por la metodología de Revisión Sistemática de Literatura (RSL) para la  
recopilación y análisis de información secundaria de artículos científicos sobre la temática (Guix,  
2
018), se definió para ello criterios de inclusión y exclusión establecidos por los autores para  
obtener la información necesaria para el análisis bibliométrico de lago de datos (Oleo y Said, 2020)  
y que sea considerada como indicador bibliométrico para analizar ciertas características de la  
actividad científica del tema (Kitchenham, 2007).  
Este trabajo se sustenta en el enfoque cuantitativo que es un método de investigación que  
se basa en la recopilación y análisis de datos numéricos (Escudero y Cortez, 2018; Hernández,  
Fernández, y Baptista, 2019), con la intensión de analizar la evolución y contribución de las  
perspectivas de varios autores sobre la temática, generando datos numéricos para sintetizar la  
información contenida en un conjunto de documentos. Estos datos incluyen la frecuencia de las  
palabras clave, la estructura del documento, las relaciones entre los documentos, cantidad de  
artículos, autores, revistas, idioma, año de publicación, tipo de documento, entre otros.  
Procedimiento  
El proceso de revisión propuesto en Kitchenham (2007) muy similar a los presentados por  
Moreno et al., (2018); y Snyder (2019) está estructurado de la siguiente manera:  
Paso 1. Planeamiento  
-
-
-
Justificación de la revisión.  
Formulación de las preguntas de investigación.  
Diseño del protocolo de búsqueda.  
Paso 2. Ejecución  
-
-
Búsqueda y extracción de documentos.  
Síntesis de datos.  
Paso 3. Reporte  
Evaluación y exégesis de los resultados.  
-
Paso 1. Planteamiento  
a. Justificación de la revisión  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
43  
Galo Mauricio López-Sevilla y Ricardo Patricio Medina-Chicaiza  
ISSN 2477-9024. Innova Research Journal (Mayo-Agosto, 2024). Vol. N9, No. 2, pp. 40-57  
Lago de datos es una tecnología emergente que ha ganado una gran popularidad en los  
últimos años. Sin embargo, la investigación sobre lago de datos aún está en sus primeras etapas, y  
hay una gran cantidad de información fragmentada disponible. Un análisis bibliométrico de la  
literatura sobre lago de datos es necesario para sintetizar información y proporcionar una visión  
general actualizada del estado de la investigación, aportándose beneficios como:  
-
-
Resumen de la investigación existente: Se resume la investigación existente sobre lago de  
datos, incluyéndose las principales tendencias, hallazgos y vacíos.  
Identificación de tendencias y oportunidades: Se identifican tendencias y oportunidades  
emergentes en el campo de lago de datos. Esto ayuda a los investigadores a mantenerse al día  
con los últimos avances e identificar áreas prometedoras para la investigación.  
-
Evaluación de la calidad de la investigación: Se evalúa la calidad de la investigación sobre lago  
de datos. Esto ayuda a los investigadores a identificar estudios de alta calidad y a evitar estudios  
sesgados o de baja calidad.  
b. Formulación de las preguntas de investigación  
Las preguntas de investigación actúan como brújulas que guían la búsqueda y análisis de  
estudios previos, lo cual permite una evaluación rigurosa y síntesis coherente de la información  
existente en un campo específico. En ese contexto, a continuación, se definen las preguntas de  
investigación (Véase Tabla 1):  
Tabla 1  
Preguntas de investigación sobre lago de datos  
Preguntas de investigación  
PI. 1 ¿Cuál es el número de publicaciones de artículos por año?  
PI. 2 ¿Cuál es el promedio de citas por año?  
PI. 3 ¿Cuáles son las fuentes más relevantes?  
PI. 4 ¿Cuál es la producción por países?  
PI. 5 ¿Cuál es la participación de las instituciones respecto al número de publicaciones?  
PI. 6 ¿Cuáles son las referencias más citadas?  
PI. 7 ¿Cuáles son las palabras claves más utilizadas?  
PI. 8 ¿Cuál es el top de principales autores, palabras clave y revistas respecto a las publicaciones?  
Fuente: Elaboración propia  
c. Diseño del protocolo de búsqueda  
-
Criterios de inclusión: determinan los documentos seleccionados para el análisis:  
o Artículos que contengan las palabras clave:  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
44  
Análisis bibliométrico de la producción científica sobre Lago de Datos  
o data lake,  
o lago de datos  
o Publicaciones realizadas en el periodo 2018-2022.  
o Artículos científicos a texto completo.  
-
Criterios de exclusión: determinan los documentos que no serán seleccionados para el análisis:  
o Artículos en idioma diferente al inglés o español.  
o Resúmenes, ponencias, actas de conferencia.  
o Artículos que no correspondan a la subárea de conocimiento de Ciencias de la  
computación  
-
-
Fuentes de información: Se selecciona como fuente la base de datos Scopus, exportando la  
información pertinente a archivos .CSV y .RIS, que contendrán todos los datos útiles para la  
importación indirecta de referencias a otros gestores.  
Estrategia de búsqueda: Se define la siguiente cadena de búsqueda:  
TITLE-ABS-KEY ( "data lake" OR "lagos de datos" ) AND PUBYEAR > 2017 AND PUBYEAR  
<
2023 AND ( LIMIT-TO (SUBJAREA , "COMP" ) ) AND ( LIMIT-TO ( DOCTYPE , "ar" ) )  
-
Revisión y selección de documentos: Mediante la aplicación de criterios de inclusión y  
exclusión a través de la cadena de búsqueda, se logró recopilar un conjunto total de 73  
documentos que satisfacen los requisitos previamente definidos para la ejecución de un análisis  
bibliométrico. Estos documentos se han catalogado, organizado y procesados en Rstudio  
2
023.09.0+463. Estos datos incluyen información relevante como los nombres completos de  
los autores, el título de los documentos, el año de publicación, las afiliaciones institucionales  
de los autores, la revista de publicación, el país de origen de la publicación, el número de citas  
recibidas y otros datos pertinentes para el análisis bibliométrico (Villasís et al., 2020).  
Paso 2. Ejecución de la búsqueda  
a. Búsqueda y extracción de documentos  
Para realizar la exploración de los artículos académicos, se efectuó una búsqueda en las  
bases de datos disponibles hasta el mes de diciembre de 2022, dicha búsqueda se ejecuta el mes  
de septiembre de 2023. Subsecuentemente, se procedió a la selección de documentos que  
incluyeran en sus secciones de título, resumen y palabras clave los descriptores "data lake" y "lagos  
de datos", los cuales fueron vinculados mediante el operador booleano "OR".  
La extracción de los datos se inicia con la búsqueda a través de las palabras claves. El total  
de artículos encontrados en la base de datos científica fue 977, que luego de aplicar los criterios  
de inclusión y exclusión se redujeron a 73 artículos que serán parte del presente estudio.  
b. Síntesis de datos  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
45  
Galo Mauricio López-Sevilla y Ricardo Patricio Medina-Chicaiza  
ISSN 2477-9024. Innova Research Journal (Mayo-Agosto, 2024). Vol. N9, No. 2, pp. 40-57  
Los metadatos resultantes de la recolección de datos bibliométricos fueron sometidos a un  
análisis computacional exhaustivo dentro del entorno RStudio que es el entorno de desarrollo para  
el lenguaje R (Hernández y Lasso, 2021). Este proceso englobó una serie de etapas cruciales que  
incluyeron la preparación de los datos, la importación utilizando funciones especializadas de  
lectura de datos, así como la rigurosa limpieza y preparación de estos, orientada a la depuración  
de valores nulos, la normalización de identificaciones de autores, la mitigación de errores  
tipográficos, entre otros procedimientos (Gül y Ayik, 2023).  
Dentro de la plataforma RStudio, se emplearon paquetes y herramientas de visualización  
altamente sofisticadas con el fin de generar gráficos descriptivos y representaciones gráficas de  
los datos, destinados a facilitar la interpretación de los resultados derivados del análisis  
bibliométrico. Estas visualizaciones revisten una relevancia crucial en la exploración y exposición  
de las tendencias y patrones inherentes a los datos bibliométricos, proporcionando una perspicaz  
comprensión del panorama investigativo subyacente. Además, los datos de las publicaciones  
elegidas fueron sometidos a un proceso de análisis adicional y la creación de representaciones  
gráficas descriptivas mediante la aplicación científica ScienceScape (Perilla, Orjuela, y Parra,  
2
020).  
Resultados y Discusión  
Paso 3. Reporte  
En esta sección, se procederá a abordar las interrogantes de investigación previamente  
delineadas durante el planteamiento de la investigación. Seguidamente, se llevará a cabo una  
minuciosa evaluación y exégesis de los resultados asociados a cada una de las mencionadas  
preguntas de investigación.  
PI. 1 ¿Cuál es el número de publicaciones de artículos por año?  
Tras analizar detenidamente un total de 73 artículos seleccionados previamente para el  
estudio de la producción científica en el ámbito de lago de datos, se concluye que el año 2022 ha  
sido testigo del mayor número de contribuciones con un total de 28 artículos (38.4%). El año 2021  
sigue en importancia con 16 artículos (21.9%), seguido por el año 2020 con 17 artículos (23.3%)  
y el año 2019 con 4 artículos (5.5%). Por último, se destaca un modesto número de 8 artículos  
(
11.0%) que emergieron en el año 2018.  
La tendencia evidenciada en este análisis muestra un crecimiento notable en el número de  
artículos publicados a lo largo de los años, con un marcado aumento en el año 2022. Esto indica  
un interés en expansión en esta área de estudio, posiblemente impulsado por avances tecnológicos  
y la creciente relevancia de lago de datos en diversas disciplinas. Asimismo, la estabilidad en la  
producción de artículos en años anteriores y la presencia de contribuciones desde el año 2018  
sugieren que esta temática se ha mantenido como un área de investigación continua y sostenible  
en el tiempo.  
Para una representación visual completa de esta evolución temporal en términos de  
publicaciones, se presenta la Figura 1.  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
46  
Análisis bibliométrico de la producción científica sobre Lago de Datos  
Figura 1  
Artículos publicados por año  
Fuente: Elaboración propia.  
PI. 2 ¿Cuál es el promedio de citas por año?  
La Tabla 2 exhibe el promedio de citas anuales, evidenciando que los ocho trabajos  
emitidos en 2018 ostentan una media de 5.31 citaciones por año durante su período de vigencia,  
destacándose como los de mayor valor citativo anual. En el año 2019, se publicaron cuatro trabajos  
sobre el mismo tema, con un promedio de 4.70 citaciones anuales. Por su parte, los trabajos de  
2
3
020 presentan una media de 4.26 citaciones por año, mientras que en 2021 esta cifra desciende a  
.69, y en 2022, se reduce aún más a 2.16 citaciones anuales.  
En conclusión, los datos revelan que los trabajos publicados en 2018 exhiben el mayor  
impacto en términos de citaciones anuales, mientras que las publicaciones posteriores muestran  
una tendencia a la disminución en el número de citaciones por año, lo que sugiere un interés  
continuo en los trabajos de 2018 en comparación con las obras más recientes.  
Tabla 2  
Promedio de citas por año  
Año MeanTCperArt  
Número de artículos  
MediaTCperArt  
CitableYears  
2
2
2
2
018  
019  
020  
021  
31.88  
23.50  
17.06  
11.06  
8.00  
4.00  
5.31  
4.70  
4.26  
3.69  
6
5
4
3
17.00  
16.00  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
47  
Galo Mauricio López-Sevilla y Ricardo Patricio Medina-Chicaiza  
ISSN 2477-9024. Innova Research Journal (Mayo-Agosto, 2024). Vol. N9, No. 2, pp. 40-57  
Año MeanTCperArt  
022 4.32  
Número de artículos  
MediaTCperArt  
CitableYears  
2
28.00  
2.16  
2
Fuente: Elaboración propia  
PI. 3 ¿Cuáles son las fuentes más relevantes?  
Las investigaciones sobre lago de datos se focalizan en 10 revistas de alcance global, que  
concentran el 41% de las contribuciones científicas relacionadas al tema. En este grupo las de  
IEEE Access y la International Journal of Advanced Computer Science and Applications es suman  
5
publicaciones cada una, la fuente Proceedings of the VLDB Endowment ha publicado 4 trabajos  
y las revistas Big Data y Sensores 3 artículos cada una. Con dos trabajos publicados aparecen otras  
fuentes que se detallan en la Figura 2.  
Es relevante destacar que el Instituto de Ingeniería Eléctrica y Electrónica (IEEE) ostenta  
una posición de liderazgo en el ámbito de investigación examinado, esta distinción refleja la  
excepcional calidad y el rigor científico inherente a sus publicaciones. Esta afirmación se sustenta  
en el notorio Research Impact Score de 25.2 atribuido a IEEE Access según el portal Research.com  
en 2023, indicando una significativa influencia en la comunidad científica (Research.com, 2023).  
En contraste, la Revista International Journal of Advanced Computer Science and  
Applications exhibe un Research Impact Score de 1.3 (Research.com, 2023), indicándose un nivel  
más modesto de influencia en el ámbito investigativo. Por otro lado, la revista Proceedings of the  
VLDB Endowment sobresale con un destacado Research Impact de 13.20 (Research.com, 2023),  
lo que respalda su relevancia en el campo de estudio considerado.  
Figura 2  
Fuentes relevantes  
Fuente: Elaboración propia  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
48  
Análisis bibliométrico de la producción científica sobre Lago de Datos  
PI. 4 ¿Cuál es la producción por países?  
La producción de investigación en el campo de lago de datos se distribuye de manera  
heterogénea en diferentes países, como se desprende de un análisis de los 73 artículos investigados  
en el período comprendido entre 2018 y 2022.  
En términos cuantitativos, como lo muestra la Figura 3, Italia destaca como el líder en  
investigaciones sobre lago de datos, contribuyendo con el 8% del total de artículos publicados en  
el mencionado período, de los cuales se puede también observar que la mayoría son publicados de  
manera independiente en cada país (PC: Colaboración simple), mientras que de manera equitativa  
una minoría es producida con colaboración múltiple entre autores de varios países (MCP:  
colaboración múltiple). Italia ha demostrado una significativa presencia en la producción científica  
de la disciplina.  
Francia y España, emergen como destacados actores en el ámbito de la investigación,  
contribuyendo con un 5% de los artículos publicados cada uno. Esto resalta la importancia de su  
participación en la generación de conocimiento en esta área, superando a naciones americanas en  
términos de producción científica.  
China e India comparten el tercer lugar en la lista, cada una con una contribución del 4%  
en la producción de artículos. Este nivel de participación indica su relevancia en el panorama  
investigativo internacional en este campo. Además de los países mencionados anteriormente, hay  
una serie de naciones, como Australia, Polonia, Austria, Grecia, Países Bajos, Reino Unido, entre  
otros, que también contribuyen a la producción científica, aunque con un porcentaje menor en  
comparación con los líderes mencionados. Esta diversidad de contribuciones resalta la naturaleza  
global de la investigación en lago de datos y muestra la influencia de diversos actores a nivel  
internacional en la generación de conocimiento en esta área.  
Figura 3  
Producción por países  
Fuente: Elaboración propia  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
49  
Galo Mauricio López-Sevilla y Ricardo Patricio Medina-Chicaiza  
ISSN 2477-9024. Innova Research Journal (Mayo-Agosto, 2024). Vol. N9, No. 2, pp. 40-57  
PI. 5 ¿Cuál es la participación de las instituciones respecto al número de publicaciones?  
En el contexto del análisis de la producción científica en el ámbito de lago de datos, se ha  
constatado que, de un total de 10 instituciones académicas que se muestran en la tabla 3 y que han  
contribuido con investigaciones en esta área de estudio, la entidad Fondazione Policlinico  
Universitario A. Gemelli IRCCS de Roma, Italia, sobresale con un total de 27 publicaciones  
atribuidas a su autoría. Del mismo modo, se han identificado diecisiete trabajos científicos  
publicados por la prestigiosa Université Clermont Auvergne, ubicada en Francia.  
En una perspectiva análoga, se ha detectado que la Silesian University of Technology ha  
realizado una contribución significativa al campo, con la publicación de diez artículos científicos  
de relevancia. Asimismo, La Trobe University ha aportado al cuerpo de conocimiento con la  
publicación de ocho manuscritos científicos de alta calidad. Además, el Consorzio Nazionale  
Interuniversitario per le Telecomunicazioni y DISI – University of Bologna han contribuido de  
manera destacada con seis trabajos científicos cada una en este dominio de investigación.  
Finalmente, las cuatro instituciones restantes también han contribuido de manera  
significativa, cada una con cinco publicaciones. Aunque su producción es menor en comparación  
con las principales instituciones, no se puede subestimar su contribución a la literatura científica  
en este campo. Estas instituciones son: School of Engineering of the Polytechnic of Porto (ISEP),  
Shanghai Jiao Tong University, King’s College London y University of New South Wales.  
En general, estos resultados sugieren que existe un interés y una actividad crecientes en la  
investigación de lago de datos, con una concentración significativa de producción en algunas  
instituciones líderes. Esto puede ser un indicativo de las áreas de especialización de estas  
instituciones y podría señalar oportunidades de colaboración en el futuro para avanzar en el  
conocimiento en este emocionante campo de estudio.  
Tabla 3  
Instituciones de afiliación de autores  
Fuente: Elaboración propia  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
50  
Análisis bibliométrico de la producción científica sobre Lago de Datos  
PI. 6 ¿Cuáles son las referencias más citadas?  
La representación gráfica de la Figura 4 muestra las diez fuentes primordiales que han sido  
objeto de múltiples menciones en los manuscritos relativos al tema de análisis. Rihan Hai, afiliado  
a la Universidad de Aachen en Alemania, ostenta la máxima preeminencia en este contexto, con  
un total de dieciséis menciones en sus obras científicas. De igual manera, Bożena Małysiak-  
Mrozek, procedente de la Universidad de Tecnología de Silesia en Polonia, se distingue con un  
total de catorce citaciones en sus publicaciones. Amin Beheshti, cuya filiación recae en la  
Universidad de Nueva Gales del Sur en Sídney, Australia, se evidencia con once menciones a sus  
trabajos en los manuscritos objeto de análisis. Mientras tanto, los trabajos de Michael Armbrust  
han sido objeto de cita en nueve ocasiones, y se advierte la presencia de un conjunto de autores  
cuyas investigaciones han sido referenciadas en ocho ocasiones, conformando un sólido grupo de  
relevancia en la esfera científica. Estos datos reflejan la influencia y pertinencia de los trabajos de  
dichos autores en el contexto de la investigación sobre el tema de lago de datos.  
Figura 4  
Referencias más citadas  
Fuente: Elaboración propia  
PI. 7 ¿Cuáles son las palabras claves más utilizadas?  
La Figura 5 exhibe un diagrama de árbol que desglosa las palabras clave extraídas de los  
documentos sometidos a consulta. Destaca que el término lakes prevalece de manera significativa  
en un total de 30 documentos, mientras que big data ocupa la segunda posición, presentándose en  
2
6 de los artículos analizados. A cierta distancia, observamos la presencia de las expresiones  
information management, digital storage, data lake y metadata.  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
51  
Galo Mauricio López-Sevilla y Ricardo Patricio Medina-Chicaiza  
ISSN 2477-9024. Innova Research Journal (Mayo-Agosto, 2024). Vol. N9, No. 2, pp. 40-57  
Este análisis revela la distribución de estas palabras clave en un corpus de 73 documentos,  
destacando la prominencia de lakes y big data. Sin embargo, es relevante señalar que otras  
expresiones técnicas, como internet of things, data handling, semantics y cloud computing,  
también juegan un papel significativo en el discurso científico, a pesar de su menor frecuencia de  
aparición en los documentos. Este hallazgo subraya la importancia de un conjunto diverso y amplio  
de conceptos dentro del contexto de la investigación en cuestión, tal como se muestra en la Figura  
6
.
Figura 5  
Palabras clave en diagrama de árbol  
Fuente: Elaboración propia  
La representación gráfica de co-ocurrencia, ilustrada en la Figura 6, despliega de manera  
integral las interconexiones y asociaciones entre las palabras clave coexistentes en los documentos  
bajo escrutinio (López, Amado, y Miotto, 2022). Esto proporciona una percepción significativa de  
las tendencias y pautas emergentes en el compendio de información analizado. La red de co-  
ocurrencia resalta las relaciones intrínsecas entre términos compartidos en un mismo documento,  
y su centralidad indica la importancia de las palabras clave que mantienen múltiples vínculos con  
otras en el ámbito de estudio. Entre estas palabras clave centrales se incluyen lakes, big data,  
information management, digital storage, metadata y otras de naturaleza afín.  
Observamos, adicionalmente, la presencia de grupos discernibles de nodos o clústeres, que  
denotan subtemas específicos en el ámbito investigado. Estos subtemas abarcan áreas como  
analítica de datos, el dominio de datos voluminosos, inteligencia artificial, transacciones,  
aprendizaje automático, sistemas de información y otros.  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
52  
Análisis bibliométrico de la producción científica sobre Lago de Datos  
En síntesis, esta visualización de la red de co-ocurrencia ofrece una valiosa comprensión  
de relaciones semánticas y estructura de información subyacente en los documentos examinados,  
lo que contribuye al enriquecimiento del conocimiento en el campo de estudio.  
Figura 6  
Red de co-ocurrencia en palabra clave  
Fuente: Elaboración propia  
PI. 8 ¿Cuál es el top de principales autores, palabras clave y revistas respecto a las  
publicaciones?  
La Figura 7 presenta un análisis de los flujos de datos interconectados entre autores,  
palabras clave y revistas, en el contexto de la producción científica relacionada con la temática de  
lago de datos.  
Se observa que 30 autores han empleado de manera coincidente las palabras clave data  
lake y data lakes en sus investigaciones. Además, 24 de estos autores han abordado el concepto  
de big data en sus trabajos, mientras que 23 artículos han relacionado su producción científica con  
las palabras clave asociadas a la gestión de datos, tales como data governance, data warehouse,  
data integration, data management y data science.  
Los flujos de estas palabras clave se distribuyen de manera heterogénea a lo largo de varias  
revistas especializadas, entre las cuales se destacan IEEE Access, International Journal of  
Advanced Computer Science and Applications, Proceedings of the VLDB Endowment, Journal of  
Big Data, Sensors y otras publicaciones relevantes en el ámbito científico.  
Este análisis revela una interesante convergencia de autores y palabras clave en la literatura  
científica relacionada con lago de datos, lo que indica un enfoque creciente en aspectos clave de  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
53  
Galo Mauricio López-Sevilla y Ricardo Patricio Medina-Chicaiza  
ISSN 2477-9024. Innova Research Journal (Mayo-Agosto, 2024). Vol. N9, No. 2, pp. 40-57  
la gestión y utilización de grandes conjuntos de datos. La dispersión de estos flujos hacia diferentes  
revistas sugiere un interés generalizado en esta temática dentro de la comunidad científica, lo que  
puede tener implicaciones significativas para el avance de la investigación en este campo en  
particular.  
Figura 7  
Relación entre autores, palabras clave y revistas  
Fuente: ScienceScape.  
Conclusiones  
Se observa una tendencia de crecimiento constante en la producción de artículos  
relacionados con lago de datos a lo largo de los años, alcanzando su punto máximo en 2022. Esto  
sugiere un creciente interés en esta área, posiblemente impulsado por avances tecnológicos y su  
creciente relevancia interdisciplinaria. La estabilidad en la producción de artículos en años  
anteriores indica que esta temática ha mantenido su sostenibilidad como área de investigación.  
Las publicaciones de 2018 destacan por su mayor impacto en términos de citaciones  
anuales, mientras que las publicaciones más recientes muestran una tendencia a la disminución en  
el número de citaciones por año. Este patrón podría indicar un interés continuo en trabajos más  
antiguos en comparación con los más recientes.  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
54  
Análisis bibliométrico de la producción científica sobre Lago de Datos  
La investigación sobre lago de datos se concentra en revistas especializadas, siendo IEEE  
Access la líder tanto en cantidad de publicaciones como en un destacado Research Impact Score,  
lo que refleja la calidad y el rigor científico inherentes a las publicaciones de IEEE. Además, la  
revista Proceedings of the VLDB Endowment también sobresale en este ámbito, demostrando la  
diversidad de fuentes que respaldan la globalidad de la investigación en lago de datos.  
Italia lidera en investigaciones sobre lago de datos, seguida de cerca por Francia y España,  
con China e India contribuyendo de manera significativa. Esto subraya la relevancia de estos países  
en el panorama investigativo internacional, y la diversidad de contribuciones de otras naciones  
enfatiza la naturaleza global de la investigación en esta área.  
Algunas instituciones académicas se destacan en la producción científica en el campo de  
lago de datos, como la Fondazione Policlinico Universitario A. Gemelli IRCCS en Roma, Italia, y  
la Université Clermont Auvergne en Francia. Estas instituciones líderes podrían ofrecer  
oportunidades de colaboración en el futuro y reflejan áreas de especialización en la investigación.  
Finalmente, el diagrama de árbol destaca que el término lakes prevalece en un total de 30  
documentos, seguido de una red co-ocurrencia que demuestra interconexiones y asociaciones entre  
palabras clave coexistentes en los documentos bajo escrutinio, tales como: big data, information  
management, digital storage, metadata, otras. De ahí que, tanto empresas como instituciones están  
aumentando la tecnología en sus procesos y necesitan mayor volumen para almacenar los datos,  
resaltándose así el denominado lago de datos.  
Referencias Bibliográficas  
Agudelo Patiño, J. C. (2020). Data lakes: aplicaciones, herramientas y arquitecturas. Colombia:  
Universidad Tecnológica de Pereira [Trabajo de Grado, Universidad Tecnológica de  
Pereira, Colombia]. https://bit.ly/49CWmUB  
Balseca-Chávez, F., Colina-Vargas, A. M., y Espinoza-Mina, M. A. (2021). Identificación de  
amenazas informáticas aplicando arquitecturas de Big Data. INNOVA Research Journal,  
6
(3), 141-167. https://revistas.uide.edu.ec/index.php/innova/article/view/1860/1953  
Escudero, C., y Cortez, L. (2018). Técnicas y métodos cualitativos para la investigación científica.  
Editorial Utmach. https://bit.ly/3I5ZGvd  
Goyal, P., & Malviya, R. (2023). Challenges and opportunities of big data analytics in healthcare.  
Health Care Science, 2(6), 1-11.  
Grossman, R. (2019). Data lakes, clouds, and commons: a review of platforms for analyzing and  
sharing  
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6474403/  
Guix, J. (2018). El análisis de contenidos: ¿qué nos están diciendo?. Calidad Asistencial, 23(1),  
6-30. https://www.elsevier.es/es-revista-revista-calidad-asistencial-256-articulo-el-  
genomic  
data.  
Trends  
in  
Genetics,  
35(3),  
223-234.  
2
analisis-contenidos-que-nos-S1134282X08704640  
Gül, M., & Ayik, Z. (2023). Enrichment studies in gifted education: a bibliometric analysis with  
RStudio.  
Participatory  
Educational  
Research,  
10(3),  
266-284.  
https://dergipark.org.tr/en/pub/per/issue/76200/1257077  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
55  
Galo Mauricio López-Sevilla y Ricardo Patricio Medina-Chicaiza  
ISSN 2477-9024. Innova Research Journal (Mayo-Agosto, 2024). Vol. N9, No. 2, pp. 40-57  
Hernández, E., Duque, N., y Moreno, J. (2017). Big data: una exploración de investigaciones,  
tecnologías  
y
casos  
de  
aplicación.  
Tecnológicas,  
20(39),  
1-24.  
https://revistas.itm.edu.co/index.php/tecnologicas/article/view/685/671  
Hernández, M., y Lasso, E. (2021). Revisión bibliográfica de las investigaciones realizadas sobre  
páramos en las últimas cinco décadas [Trabajo de Grado, Universidad de los Andes,  
Colombia].  
Hernández, R., Fernández, C., y Baptista, M. (2019). Metodología de la investigación. México:  
McGraw-Hill.  
Jarke, M., Lenzerini, M., Vassiliou, Y., & Vassiliadis, P. (2013). Fundamentals of Data  
Warehouses. Sigmod Record, 32(2), 55-56.  
Kimball, R., & Ross, M. (2013). The data warehouse toolkit. Toronto: John Wiley & Sons.  
Kitchenham. (2007). Guidelines for performing Systematic Literature Reviews in. Inglaterra:  
University of Durham. https://bit.ly/3UQP3Uu  
López, V., Amado, A., y Miotto, U. (2022). Un enfoque bibliométrico a los procedimientos  
gráficos como método de investigación. Expresión Gráfica Arquitectónica, 27(45), 218-  
2
31. https://polipapers.upv.es/index.php/EGA/article/view/16451  
Lorenzo, P., y López, G. (2022). Análisis, diseño e implementación de una arquitectura de  
servicios cloud para un lago de datos en el ambito turístico [Trabajo de Grado, Universidad  
de La Coruña, España]. https://ruc.udc.es/dspace/handle/2183/32125  
Madera, C., & Laurent, A. (2019). The next information architecture evolution: the data Lake  
wave. Management of Digital EcoSystems, 6(9), 1-8.  
https://hal-lirmm.ccsd.c  
nrs.fr/lirmm-01399005/document  
Moreno, B., Muñoz, M., Cuellar, J., Domancic, S., y Villanueva, J. (2018). Revisiones  
Sistemáticas: definición y nociones básicas. Clínica de Periodoncia, Implantología y  
Rehabilitación Oral, 11(3), 184-186.  
Oleo, C., y Said, E. (2020). La producción científica en el estudio de experiencia de usuario en la  
educación: caso Web of Science  
y
Scopus. Perspectiva, 32(7), 1-7.  
https://humanas.blog.scielo.org/es/2020/05/21/la-produccion-cientifica-en-el-estudio-de-  
experiencia-de-usuario-en-la-educacion-caso-web-of-science-y-scopus/  
Pasupuleti, P., & Purra, B. (2017). Data lake development with big data. Reino Unido: Packt  
Publishing.  
https://www.packtpub.com/product/data-lake-development-with-big-  
data/9781785888083  
Perilla, R., Orjuela, W., y Parra, C. (2020). Análisis de futuro: algunos métodos alternativos a la  
caja de herramientas de la prospectiva francesa. Colombia: Universidad del Tolima.  
https://bit.ly/3wphmzj  
Rawat, D., Doku, R., & Garuba, M. (2019). Cybersecurity in big data era: from securing big data  
to data-driven security. Transactions on Services Computing, 20(1), 1-18.  
https://ieeexplore.ieee.org/ielaam/4629386/9642441/8673585-aam.pdf  
Reinsel, D., Gantz, J., & Rydning, J. (2020). The digitization of the world from edge to core.  
Estados https://www.seagate.com/files/www-content/our-  
Unidos:  
Seagate.  
story/trends/files/idc-seagate-dataage-whitepaper.pdf  
Research.com. (2023). Best Journals  
-
Computer Science  
-
IEEE Access.  
https://research.com/journal/ieee-access  
Research.com. (2023). Best Journals - Computer Science - International Journal of Advanced  
Computer Science and Applications.  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
56  
Análisis bibliométrico de la producción científica sobre Lago de Datos  
Research.com. (2023). Best Journals - Computer Science - Proceedings of the VLDB Endowment.  
https://research.com/journal/proceedings-of-the-vldb-endowment-1  
Rico, D., Maestre, G., Medina, Y., y Areniz, Y. (2021). Universidad inteligente: factores claves  
para la adopción de internet de las cosas y big data. Ibérica de Sistemas y Tecnologías de  
Información, 4(1), 63-79.  
Romero, A., y Melendres, J. (2023). Uso de data warehouse para la toma de decisiones  
empresariales: una revisión literaria. Científica de Sistemas e Informática, 3(2), 1-12.  
https://bit.ly/3uxrF3T  
Sakr, S., & Gaber, M. (2019). Large scale and big data: processing and management. Estados  
Unidos: Auerbach Publications. https://www.routledge.com/Large-Scale-and-Big-Data-  
Processing-and-Management/Sakr-Gaber/p/book/9781138033948  
Shehab, N., Badawy, M., & Arafat, H. (2020). Big Data Analytics Concepts, Technologies  
Challenges, and Opportunities. Advanced Intelligent Systems and Informatics, 11(14), 92-  
1
01.  
https://www.researchgate.net/publication/336219391_Big_Data_Analyt  
ics_Concepts_Technologies_Challenges_and_Opportunities  
Snyder, H. (2019). Literature review as a research methodology: An overview and guidelines.  
Journal of Business Research, 10(4), 333-339.  
https://www.sciencedirect.c  
om/science/article/pii/S0148296319304564  
Solano, E., Castellanos, S., López, M., y Hernández, J. (2019). La bibliometría: una herramienta  
eficaz para evaluar la actividad científica postgraduada. MediSur, 7(4), 59-62.  
http://scielo.sld.cu/pdf/ms/v7n4/v7n4a745.pdf  
Villasís, M., Rendón, M., García, H., Miranda, M., y Escamilla, A. (2020). La revisión sistemática  
y el metaanálisis como herramientas de apoyo para la clínica y la investigación. Alergia  
México, 67(1), 62-72. https://www.scielo.org.mx/pdf/ram/v67n1/2448-9190-ram-67-01-  
6
2.pdf  
Wieder, P., & Nolte, H. (2022). Toward data lakes as central building blocks for data management  
and analysis. Frontiers in Big Data, 16(2), 1-18. https://www.researchgate.net  
/
publication/362793690_Toward_data_lakes_as_central_building_blocks_for_data_mana  
gement_and_analysis  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
57