Máster Online
Business Intelligence y Big Data

Introducción al Business Intelligence y Big Data (6 ECTS)

Esta materia te capacita para liderar programas de Big Data, maximizar el valor de los datos y desarrollar casos de uso relevantes para el negocio, mejorando la toma de decisiones con una estrategia de datos adecuada.

• 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)

Los estudiantes aprenderán a integrar la cultura de decisiones basadas en datos y a usar herramientas para capturar, almacenar, procesar y visualizar datos, como SAS Visual Analytics.

• 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)

Aprenderemos las técnicas y avances clave en el procesamiento masivo de información.

• 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)

Obtendrás una visión completa de las técnicas clásicas de minería de datos, tanto supervisadas como no supervisadas.

• 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 enseñarán las técnicas clave para monitorear y mejorar procesos de negocio dentro del enfoque Definir-Medir-Mejorar.

• 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)

Exploraremos diseños de modelos de datos o Datamart para departamentos financieros y de control de gestión, enfocados en generar informes de seguimiento y análisis para optimizar la toma de decisiones.

• 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)

Esta materia enseña técnicas de modelización estadística aplicadas a casos reales de marketing en sectores como transporte, telecomunicaciones, análisis de opinión y retail.

• 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)

Los estudiantes aprenderán a identificar roles clave en proyectos de BIBD, conocerán las tecnologías más recientes y comprenderán sus funciones y beneficios para optimizar los resultados.

• 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)

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

• 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)

Esta materia te introduce a los entornos de software clave para la ciencia de datos, como Python, Java, Hadoop y Spark. Aprenderás sobre bases de datos, soluciones en la nube (AWS, Google Cloud, Azure) y el despliegue de proyectos.

• 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 (6 ECTS)

Dominarás la gestión de datos, desde su extracción y análisis hasta la creación de narrativas claras para clientes internos, usuarios o stakeholders.

• 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 paso final para obtener tu título. Consiste en un proyecto académico donde aplicarás los conocimientos y competencias adquiridos durante el programa, demostrando tu dominio en el área de estudio.

Transformación Digital (6 ECTS)

Exploraremos tecnologías clave y su impacto en la productividad y los resultados, brindando herramientas para liderar con éxito en la era digital.

• 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 (6 ECTS)

Conocerás los reportes clave para analizar el estado inicial del negocio y realizar un diagnóstico preciso.

• 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)

Dominarás el soporte y lanzamiento de procesos de digitalización mediante Inteligencia Artificial y Machine Learning, enfocados en la transformación, gestión del conocimiento e interacción con el cliente.

• 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 (6 ECTS)

Aprenderás todos los aspectos relacionado con SQL, herramienta clave para acceder a bases de datos relacionales.

• 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 (6 ECTS)

Desarrollaras habilidades para gerstionar el tratamiento de información no estructurada, como eventos masivos, imágenes, texto y voz.

• 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 (6 ECTS)

Los alumnos aprenderán a usar Python en proyectos de Ciencia de Datos, desde conceptos básicos hasta librerías avanzadas de Machine y Deep Learning.

• 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.