Máster en Dirección Técnica de Data Science en la Empresa .

Módulo 1. Principales sistemas de gestión de información

1.1. ERP y CRM

1.1.1. El ERP
1.1.2. El CRM
1.1.3. Diferencias entre ERP, CRM. Punto de venta
1.1.4. Éxito empresarial

1.2. El ERP

1.2.1. El ERP
1.2.2. Tipos de ERP
1.2.3. Desarrollo de un proyecto de implantación de un ERP
1.2.4. ERP. Optimizador de recursos
1.2.5. Arquitectura de un sistema ERP

1.3. Información aportada por el ERP

1.3.1. Información aportada por el ERP
1.3.2. Ventajas e inconvenientes
1.3.3. La información

1.4. Sistemas ERP

1.4.1. Sistemas y herramientas actuales de ERP
1.4.2. Toma de decisiones
1.4.3. Día a día con un ERP

1.5. CRM: el proyecto de implantación

1.5.1. El CRM. Proyecto de implantación
1.5.2. El CRM como herramienta comercial
1.5.3. Estrategias para el sistema de información

1.6. CRM: Fidelización de clientes

1.6.1. Punto de partida
1.6.2. Vender o fidelizar
1.6.3. Factores de éxito en nuestro sistema de fidelización
1.6.4. Estrategias multicanal
1.6.5. Diseño de las acciones de fidelización
1.6.6. E-fidelización

1.7. CRM: campañas de comunicación

1.7.1. Acciones y planes de comunicación
1.7.2. Importancia del cliente informado
1.7.3. La escucha al cliente

1.8. CRM: prevención de insatisfechos

1.8.1. Las bajas de cliente
1.8.2. Detección de errores a tiempo
1.8.3. Procesos de mejora
1.8.4. Recuperación del cliente insatisfecho

1.9. CRM: acciones especiales de comunicación

1.9.1. Objetivos y planificación de un evento en la empresa
1.9.2. Diseño y realización del evento
1.9.3. Acciones desde el departamento
1.9.4. Análisis de resultados

1.10. El marketing relacional

1.10.1. Implantación. Errores
1.10.2. Metodología, segmentación y procesos
1.10.3. Actuación, según el departamento
1.10.4. Herramientas CRM

Módulo 2. Tipos y ciclo de vida del dato

2.1. La estadística

2.1.1. Estadística: estadística descriptiva, estadística inferencias
2.1.2. Población, muestra, individuo
2.1.3. Variables: definición, escalas de medida

2.2. Tipos de datos estadísticos

2.2.1. Según tipo

2.2.1.1. Cuantitativos: datos continuos y datos discretos
2.2.1.2. Cualitativos: datos binomiales, datos nominales y datos ordinales

2.2.2. Según su forma

2.2.2.1. Numérico
2.2.2.2. Texto
2.2.2.3. Lógico

2.2.3. Según su fuente

2.2.3.1. Primarios
2.2.3.2. Secundarios

2.3. Ciclo de vida de los datos

2.3.1. Etapas del ciclo
2.3.2. Hitos del ciclo
2.3.3. Principios FAIR

2.4. Etapas iniciales del ciclo

2.4.1. Definición de metas
2.4.2. Determinación de recursos necesarios
2.4.3. Diagrama de Gantt
2.4.4. Estructura de los datos

2.5. Recolección de datos

2.5.1. Metodología de recolección
2.5.2. Herramientas de recolección
2.5.3. Canales de recolección

2.6. Limpieza del dato

2.6.1. Fases de la limpieza de datos
2.6.2. Calidad del dato
2.6.3. Manipulación de datos (con R)

2.7. Análisis de datos, interpretación y valoración de resultados

2.7.1. Medidas estadísticas
2.7.2. Índices de relación
2.7.3. Minería de datos

2.8. Almacén del dato (Datawarehouse)

2.8.1. Elementos que lo integran
2.8.2. Diseño
2.8.3. Aspectos a considerar

2.9. Disponibilidad del dato

2.9.1. Acceso
2.9.2. Utilidad
2.9.3. Seguridad

2.10. Aspectos normativos

2.10.1. Ley de protección de datos
2.10.2. Buenas prácticas
2.10.3. Otros aspectos normativos

Módulo 3. Número aprendizaje automático

3.1. El conocimiento en bases de datos

3.1.1. Preprocesamiento de datos
3.1.2. Análisis
3.1.3. Interpretación y evaluación de los resultados

3.2. Machine Learning

3.2.1. Aprendizaje supervisado y no supervisado
3.2.2. Aprendizaje por refuerzo
3.2.3. Aprendizaje semisupervisado. Otros modelos de aprendizaje

3.3. Clasificación

3.3.1. Árboles de decisión y aprendizaje basado en reglas
3.3.2. Máquinas de Soporte Vectorial (SVM) y algoritmos de vecinos más cercanos (KNN)
3.3.3. Métricas para algoritmos de clasificación

3.4. Regresión

3.4.1. Regresión lineal y regresión logística
3.4.2. Modelos de regresión no lineales
3.4.3. Análisis de series temporales
3.4.4. Métricas para algoritmos de regresión

3.5. Clustering

3.5.1. Agrupamiento jerárquico
3.5.2. Agrupamiento particional
3.5.3. Métricas para algoritmos de clustering

3.6. Reglas de asociación

3.6.1. Medidas de interés
3.6.2. Métodos de extracción de reglas
3.6.3. Métricas para los algoritmos de reglas de asociación

3.7. Multiclasificadores

3.7.1. “Bootstrap aggregation” o “bagging”
3.7.2. Algoritmo de “Random Forests”
3.7.3. Algoritmo de “Boosting”

3.8. Modelos de razonamiento probabilístico

3.8.1. Razonamiento probabilístico
3.8.2. Redes bayesianas o redes de creencia
3.8.3. “Hidden Markov Models”

3.9. Perceptrón Multicapa

3.9.1. Red neuronal
3.9.2. Aprendizaje automático con redes neuronales
3.9.3. Descenso del gradiente, “backpropagation” y funciones de activación
3.9.4. Implementación de una red neuronal artificial

3.10 Aprendizaje profundo

3.10.1. Redes neuronales profundas. Introducción
3.10.2. Redes convolucionales
3.10.3. Sequence Modeling
3.10.4. Tensorflow y Pytorch