Un enfoque para utilizar la Inteligencia Operativa con modelado matemático y Aprendizaje Automático para resolver problemas de proyectos de tecnología industrial es muy crucial para los procesos y operaciones de TI (tecnología de la información) de hoy en día, teniendo en cuenta el crecimiento exponencial de la información y la creciente tendencia de los proyectos basados en Big Data. El monitoreo y la gestión de proyectos de datos de alta carga requieren nuevos enfoques para la infraestructura, la gestión de riesgos y el soporte de decisiones basado en datos. Las dificultades clave que pueden surgir al realizar Operaciones de TI son altas tasas de error, tiempos de inactividad no planificados, malos KPIs e métricas de infraestructura. Los métodos utilizados en el estudio incluyen modelos de aprendizaje automático, preprocesamiento de datos, imputación de datos faltantes, cálculo de indicadores de SRE (ingeniería de confiabilidad del sitio), investigación cuantitativa y un estudio cualitativo de las demandas de proyectos de datos. Se ha realizado un análisis de requisitos para la implementación de una solución de Inteligencia Operativa con capacidades de Aprendizaje Automático y se ha representado en el estudio. Se desarrolla un modelo basado en algoritmos de aprendizaje automático para predicciones de código de estado de transacción y resultados, con el fin de ejecutar pruebas de carga del sistema, identificación de riesgos y evitar tiempos de inactividad. Se proporcionan métricas e indicadores para determinar la carga de la infraestructura en el documento para obtener inteligencia operativa y percepciones de confiabilidad del sitio. Se descubrió que la minería de datos entre el conjunto de Big Data Operativo simplifica la tarea de comprender qué está sucediendo con las solicitudes dentro del canal de adquisición de datos y ayuda a identificar errores antes de que un usuario se enfrente a ellos. El rastreo de transacciones en un entorno distribuido se ha mejorado utilizando aprendizaje automático y modelado matemático. Además, se describe y propone un algoritmo paso a paso para aplicar la solución de monitoreo de aplicaciones en un proyecto basado en datos, especialmente cuando se trata de Big Data, dentro del estudio.