Máster Online
Business Intelligence y Big Data

Introducción al Business Intelligence y Big Data (6 ECTS)

Aprenderás las ventajas de implementar una cultura de toma de decisiones basadas en datos en tu empresa. Te capacitarán para liderar programas de Big Data y aprovechar al máximo el valor de los datos. Desarrollarás casos de uso prácticos en el contexto empresarial de la Era de los Datos y estarás listo para transformar tu empresa en una organización impulsada por los datos, permitiéndote tomar decisiones más informadas con una sólida estrategia de datos.

• Fundamentos del Business Intelligence
• El valor de los datos
• Fundamentos del Big Data
• Desarrollo de una Estrategia de Datos
• Elementos clave para el Gobierno y Gestión de los datos
• Organización Data Driven. Retos y oportunidades.

Herramientas de Big Data y Gobierno del Dato (6 ECTS)

Descubre cómo organizar la toma de decisiones basadas en datos en tu empresa. Explora la propiedad de los datos, su almacenamiento y procesamiento, y las herramientas de visualización, incluyendo SAS Visual Analytics. Este curso te sumergirá en las herramientas esenciales de Big Data y Gobierno del Dato.

• Almacenamiento y procesamiento de la información
• Información estructurada
• Tecnologías Big Data
• Análisis y visualización de la información
• Herramienta SAS Visual Analytics
• Gobierno del Dato.

Big Data Dentro de la Informática (6 ECTS)

La evolución de la capacidad de proceso y de las técnicas de paralelización en el tratamiento de datos, así como la disponibilidad de hardware avanzado asequible, permiten hoy procesar ingentes cantidades de datos. Nos familiarizaremos con las principales evoluciones y técnicas de tratamiento masivo de información

Contenidos:

• Capacidad de procesamiento y paralelización extrema. Arquitecturas GPU vs CPU. Núcleos Cuda. Escalabilidad.
• Entornos de trabajo para arquitecturas Deep Learning. Tensor Flow, Keras, Pytorch.
• Aprendizaje supervisado y no supervisado. Entrenamiento. Ejecución y Distribución de modelos. Inteligencia Artificial.
• Regresiones. Series temporales autorregresivas. Clusterización, kmeans.
• Arboles de decisión: Random Forest. Xgboost.
• Redes neuronales, Perceptrón Multicapa. Redes Convolucionales.

Técnicas de Datamining para el Negocio: (6 ECTS)

Proporcionaremos una visión completa de las técnicas clásicas de minería de datos, tanto supervisadas como no supervisadas. Te capacitaremos para abordar problemas de datamining y modelización estadística desde la fase de planteamiento hasta la evaluación de resultados. Los conceptos teóricos se respaldarán con ejemplos prácticos utilizando lenguaje de programación.

Contenidos:

• Planteamiento del problema. Análisis supervisado: regresión y clasificación. Análisis no supervisado.
• Preparación de datos en análisis supervisado. Entrenamiento, validación y test.
• Validación cruzada (cross validation).
• Regresión lineal y logística.
• Arboles de decisión.
• Redes neuronales: perceptrón multicapa.
• Evaluación de resultados: curva ROC, lift chart, AUC, Accuracy, F-score, MSE…
• Dicotomía sesgo – varianza en data mining. Curva de aprendizaje.
• Análisis no supervisado: PCA y K-means.

Casos de uso Data Management: (6 ECTS)

Se explicarán las técnicas principales en la monitorización y mejora de procesos de negocio, dentro del paradigma Definir-Medir-Mejorar.

Contenidos:

• Definición de procesos de negocio. BMP’s y principales KPI’s.
• Remodelización. Del Modelo relacional al Modelo en estrella. Desnormalizaciones. Bucles.
• Procesos ETL (Extracción Transformación y Carga). Cargas masivas. Staging.
• Historificación. Agregados.
• Herramientas: ETLs open y comerciales. Herramientas de auto gestión. Business Objects.
• Algoritmos de optimización.
• Caso de uso. Monitorización en tiempo real de web de ventas vía ingesta de logs (desestructurado) y datos de ventas (estructurado).

Casos de uso en Finanzas: (6 ECTS)

Diseño de modelo de datos o Datamart para departamentos financieros y control de gestión para generar los informes de seguimiento, profundización y ad hoc en el terreno de la toma de decisiones.

Contenidos:

• El dato a la información: de la métrica al KPI y las medidas de la vanidad.
• La selección y reducción de datos: informes periódicos- informes ad hoc. Coste de mantener más información de la necesaria y oportunidades de la automatización.
• Herramientas de seguimiento del negocio: evolutivos, year to date, grados de cumplimiento, rentabilidad, amortización, Payback/ROI.
• Series temporales, estacionalidad, comparación con el pasado y grupos de control.

Casos de uso en Marketing: (6 ECTS)

Te guiaremos en el uso de diversas técnicas de modelización, especialmente relevantes para afrontar situaciones de marketing. Los casos prácticos se basarán en experiencias reales de empresas en sectores como el transporte, las telecomunicaciones, el análisis de opinión y el retail. Nuestra meta es que adquieras una comprensión práctica de estas técnicas estadísticas de modelización y desarrolles la capacidad de tomar decisiones fundamentadas sobre cuál aplicar en cada escenario de marketing.

Contenidos:

• Modelos de Churn. Detectar posibles fugas de clientes antes de que sea demasiado tarde…
• Modelos de valoración “inteligente” de clientes (Customer Life Time Value)
• Crosselling y Upselling. Vincular y desarrollar al cliente.
• Casos de uso no supervisado. Análisis cluster y PCA. Conociendo al cliente.
• Marketing Modeling Mix. Evaluar el impacto de la inversión en medios y cómo optimizarla.

Herramientas y Profesionales de BIBD (6 ECTS)

El nuevo paradigma hace que necesitemos nuevos perfiles de profesionales y nuevas herramientas, es importante conocer qué perfiles profesionales intervienen en los proyectos de BIBD, conocer el estado del arte de las herramientas tecnológicas, así como sus principales funciones y ventajas.

Contenidos:

• El nuevo paradigma: open data y open source
• Principales repositorios de open data
• Landscape de herramientas de Data mining y Big Data
• El nuevo científico de datos en las tres esferas: matemática/estadística, informática y conocimiento del negocio
• La cultura de empresa en recursos humanos para incentivación, retención y actualización del talento.

Bases de datos Relacionales y no Relacionales (6 ECTS)

Conocer las principales técnicas, engines, actores y flujos en el almacenamiento y explotación masiva de datos.

Contenidos:

• Metodologías. Modelo Entidad Relación. Normalización. Técnicas de modelado.
• Estructura básica de una BBDD relacional. Patrones de diseño. Transacciones. Implementaciones Físicas.
• Bases de Datos operacionales vs Datawarehouse. Modelos en estrella y desnormalizaciones.
• Principales engines actuales. Comparativa y campos de aplicación: Oracle, Microsoft, Mysql, MariaDB, Postgresql, Teradata, Vertica.
• Caso práctico: Modelización de un catálogo de productos para track de ventas.
• BBDD no relacionales. Paradigmas de procesamiento masivo: Apache Hbase. HDFS . Hadoop. Map Reduce.
• Deep Learning. GPU, Núcleos cuda y procesamiento matricial. Frameworks en detalle: Tensor Flow, Keras, Pytorch.

Lenguajes de Programación de Nuevo Entorno (6 ECTS)

El objetivo de esta materia es familiarizarse con los conceptos clave en los entornos software para la ciencia de datos. Leguajes, herramientas de desarrollo, entornos de trabajo y despliegue final de soluciones. Hadoop, Spark, Phyton, Java, lenguajes propios de base de datos. Soluciones en la nube: Amazon (AWS), Google cloud, Microsoft Azure.

Contenidos:

• De C a Spark. Conceptos claves en los lenguajes de programación en la Ciencia de Datos. Eficiencia, compatibilidad, curvas de aprendizaje. Tendencias actuales.
• Herramientas de desarrollo. Principales IDEs de Programación en la ciencia de datos: Eclipse, R-Studio, Spyder, Jupyter Notebook.
• Caso práctico. Cotizaciones Nasdaq con python bajo Jupyter. Ingesta, tratamiento y visualización.
• On Promise, Hosting y Cloud. Definiciones y modelos. Mantenimiento, escalabilidad y despliegues.
• Cloud. Principales actores. Productos sobre cloud. Soluciones llave en mano.
• Caso práctico AWS. Despliegue tienda online extremo a extremo.

Storytelling del Dato

Controlar la narrativa del dato, desde la extracción, reducción e interpretación a la narrativa de cara al cliente interno, usuario stakeholder o cualquier cliente de la información.

Contenidos:

• Optimización en la petición de la información: estados, fechas, clientes.
• Introducción a Power Bi
• Conexión con fuentes de datos
• Objetos visuales Power Bi, posibilidades y mejores combinaciones para la narrativa.
• Fuentes en Tableau
• Visualización en Tableau

Proyecto Fin de Programa (8ECTS)

El Trabajo fin de Máster es el último paso para obtener el título del programa formativo. Consiste en la realización de un trabajo académico en el que se apliquen o desarrollen conocimientos adquiridos a lo largo del programa formativo. Este trabajo deberá contemplar la aplicación de competencias generales asociadas al programa.

Transformación Digital (6 ECTS)

Esta asignatura ofrece una visión transversal sobre la Transformación Digital, poniéndola en un contexto de negocio, normativo y de actualidad dentro de la revolución digital. Profundiza en herramientas y tecnologías: ¿cómo ayudan a mejorar la productividad y resultados de la empresa?

Contenidos:

• La Transformación Digital y la IV Revolución Industrial
• Start-Up y Digital Business frente a empresas tradicionales
• Contexto actual y desarrollo de nuevos modelos de negocio. Servicios Cloud
• La Uberización de la Economía
• Gestión de Recursos Humanos y Detección Digital de Talento
• Aspectos Legales: La GDPR.

Reporting y Seguimiento del Negocio

Principales reportes de seguimiento de negocio para realizar la primera foto de situación.

Contenidos:

• Seguimiento del negocio: principales métricas y dimensiones
• Detección de oportunidades y base para estudios ad hoc: fraude, avería, seguimiento de objetivos
• Matriz abc-xyz de clientes.
• Mapas de clientes utilizando cuartiles
• Evaluación de acciones comerciales e interactuaciones con el cliente.

Datamining en la Digitalización (6 ECTS)

Conocer el soporte y lanzamiento de los procesos de digitalización tanto de transformación como de conocimiento e interactuación con el cliente, que puede ofrecer la Inteligencia artificial y el Machine learning.

Contenidos:

• Minería de datos en la Industria 4.0 y transformación digital.
• Inteligencia artificial en la gestión de clientes: user-centric, ad-centric, site-centric.
• Fuentes de información: cookies, Id’s e información interna comportamental del cliente
• Construcción de audiencias.
• Personalización de campañas: banners, Display Campaing, Campañas de remarketing
• Publicidad programática: DMP

Modelización de datos estructurados

Profundizar en el conocimiento de SQL como principal herramienta de acceso a datos relacionales.

Contenidos:

• QL. Estandarización. Versión ANSI 92. Otros dialectos. Dialectos propietarios.
• DDL. Definición de estructuras. Comandos principales.
• DML. Manipulación de Datos. Comandos principales.
• SELECT. Consulta de datos. JOINS. Relacionando Tablas.
• AGRUPACIONES Y FUNCIONES VENTANA. Conteos y funciones estadísticas.
• PRINCIPALES FUNCIONES. De cadena. Numéricas, Matemáticas, De fecha. Estadísticas,
• IMPLEMENTACIONES PROPIETARIAS. Principales diferencias entre engines.Fechas. Nulos.
• OPTIMIZACION. Herramientas de optimización de consultas. índices, vistas. Hints. Planes de ejecución.

Modelización de datos estructurados

Conocer las principales técnicas del tratamiento de la información no estructurada como eventos masivos, imagen, texto y voz.

Contenidos:

• Distribución de datos. HDFS. Hadoop. Hbase.
• Diferencias con modelos relacionales.
• Algoritmos distribuidos. ingeniería de Features
• Tratamiento de eventos. Buscadores. Recomendadores.
• Tratamiento de imágenes. Redes Convolucionales sobre imagen.
• Tratamiento semántico de la información. Bag of words. Clasificación. Análisis de Sentimiento.
• Voz. Speech to text. VRU.Chat Bots,

Machine learning e Inteligencia Artificial

Entender como Python puede utilizarse como herramienta para desarrollar proyectos de Ciencia de Datos. Desde los conceptos más básicos, a la utilización de librerías avanzadas de Machine y Deep Learning.

Contenidos:

• Python.- Instalación y componentes. Librerías. Comunidades de desarrollo. Módulos para la Ciencia de Datos.
• Bases del lenguaje. Estructuras de control, funciones y variables. Módulos y paquetes.
• Ingesta de datos. Scraping. Ficheros, BBDD. Ingeniería de Features.
• Estructuras de datos. Listas, Diccionarios. Tratamiento y procesamiento. Pandas. Numpy,
• Álgebra Computacional. Simpy.
• Librería matemática, SciPy.
• Machine Learning Sk-Learn
• Deep Learning: Pytorch y Keras.

Curso de preparación para la certificación Google Analytics IQ (Módulo Opcional)

El objetivo de esta asignatura es comprender el funcionamiento de Google Analytics. Esta herramienta permite medir todas las acciones que realizan los usuarios en aplicaciones o páginas web, recopilando información sobre el origen de las visitas, el comportamiento dentro del sitio o las acciones de compras o contacto que realizan. Con este aprendizaje se abordará también la certificación oficial de Google Analytics.

Contenidos:

• Introducción a Google Analytics
• Informes de Google Analytics
• Configuración de Google Analytics
• Informes personalizados y seguimientos avanzados
• Google Tag Manager
• Preparación y realización del examen