Grand Master en Big Data Management
Magíster
Online
Descripción
-
Tipología
Magíster
-
Metodología
Online
-
Horas lectivas
3000h
-
Duración
2 Años
-
Inicio
Fechas disponibles
-
Campus online
Sí
-
Clases virtuales
Sí
Gracias a los avances tecnológicos de hoy en día, casi cualquier cosa imaginable es cuantificable. Las empresas tienen acceso a cada vez más métricas y datos, con lo que gracias a ello pueden planificar aún mejor sus estrategias de negocios. En esta nueva realidad, la figura del analista de datos se vuelve imprescindible en toda empresa, siendo aún más valorados y solicitados los especialistas en Big Data. Esta nueva rama de la analítica se centra en la correcta recopilación, administración y análisis de cantidades ingentes de datos para convertirlos en activos de valor en la empresa. Se trata de un trabajo altamente cualificado, que requiere de una gran inversión educativa en todas las técnicas, entornos, tecnologías y principios que rigen esta ciencia. Teniendo esto en mente, TECH ha elaborado el presente programa, que instruye al alumno en los fundamentos principales del Big Data, así como en las competencias complementarias que sin duda servirán para destacar profesionalmente en el campo de la analítica.
Información importante
Documentación
- 172grand-master-big-data-management-latam-tech.pdf
Sedes y fechas disponibles
Ubicación
comienzo
comienzo
A tener en cuenta
Objetivos generales
Ofrecer a los alumnos la inmersión en el nuevo contexto social y tecnológico en el cual se enmarcan las herramientas de Visual Analytics
Obtener y mejorar el pensamiento crítico basado en hechos para la toma de decisiones estratégicas
Estudiar el valor del entorno cambiante y facilitar al alumno la conexión con el emprendimiento y las nuevas knowmadas de trabajo
Objetivos específicos
Desarrollar habilidades analíticas para tomar decisiones de calidad
Examinar campañas de Marketing y comunicación efectivas
Determinar la creación de cuadros de mando y KPI en función del departamento
El objetivo del Grand Master en Big Data Management es el de instruir al alumno en el amplio ámbito del análisis de grandes cantidades de datos, tanto desde la perspectiva de la propia recogida y almacenamiento, como de la posterior interpretación y filtrado del mismo. Ello permite al alumno elaborar planes de intervención y soluciones de problemas complejos basándose en la analítica recogida. Además, el alumno aprenderá también a elaborar informes dónde mostrar todos los datos de una forma clara y concisa ante equipos directivos o de trabajo.
Este Grand Master en Big Data Management contiene el programa más completo y actualizado del mercado.
Tras la superación de la evaluación, el alumno recibirá por correo postal* con acuse de recibo su correspondiente título de Grand Master emitido por TECH Universidad Tecnológica.
El título expedido por TECH Universidad Tecnológica expresará la calificación que haya obtenido en el Grand Master, y reunirá los requisitos comúnmente exigidos por las bolsas de trabajo, oposiciones y comités evaluadores de carreras profesionales.
Título: Grand Master en Big Data Management
Nº Horas Oficiales: 3.000 h.
Nuestra escuela es la primera en el mundo que combina el estudio de casos clínicos con un sistema de aprendizaje 100% online basado en la reiteración, que combina 8 elementos diferentes que suponen una evolución con respecto al simple estudio y análisis de casos. Esta metodología, a la vanguardia pedagógica mundial, se denomina Relearning.
Nuestra escuela es la primera en habla hispana licenciada para emplear este exitoso método, habiendo conseguido en 2015 mejorar los niveles de satisfacción global (calidad docente, calidad de los materiales, estructura del curso, objetivos…) de los estudiantes que finalizan los cursos con respecto a los indicadores de la mejor universidad online en habla hispana.
Recibida su solicitud, un responsable académico del curso le llamará para explicarle todos los detalles del programa, así como el método de inscripción, facilidades de pago y plazos de matrícula.
En primer lugar, necesitas un ordenador (PC o Macintosh), conexión a internet y una cuenta de correo electrónico. Para poder realizar los cursos integramente ON-LINE dispone de las siguientes opciones: Flash - Instalando Flash Player 10 o posterior (http://www.adobe.com/go/getflash), en alguno de los siguientes navegadores web: - Windows: Internet Explorer 6 y posteriores, Firefox 1.x y posteriores, Google Chrome, Opera 9.5 y posteriores - Mac: Safari 3 y posteriores, Firefox 1.x y posteriores, Google Chrome - Linux: Firefox 1.x y posteriores HTML5 - Instalando alguno de los navegadores web: - Google Chrome 14 o posterior sobre Windows o Mac - Safari 5.1 o posterior sobre Mac - Mobile Safari sobre Apple iOS 5.0 o posterior en iPad/iPhone Apple iOS - Articulate Mobile Player; Apple iOS 5.0 o posterior en iPad.
Opiniones
Materias
- Marketing
- Administración
- Management
- Mercado
- Ventas
- Negocios
- Análisis de datos
- Seguridad
Profesores
Arturo Peralta Martín-Palomino
Profesor
Luis Angel Galindo
Profesor
Temario
Módulo 1. Analítica del dato en la organización empresarial
1.1. Análisis de negocio
1.1.1. Análisis de Negocio
1.1.2. Estructura del dato
1.1.3. Fases y elementos
1.2. Analítica del dato en la empresa
1.2.1. Cuadros de mando y KPI por departamentos
1.2.2. Informes operativos, tácticos y estratégicos
1.2.3. Analítica del dato aplicada a cada departamento
1.2.3.1. Marketing y comunicación
1.2.3.2. Comercial
1.2.3.3. Atención al cliente
1.2.3.4. Compras
1.2.3.5. Administración
1.2.3.6. RRHH
1.2.3.7. Producción
1.2.3.8. IT
1.3. Marketing y comunicación
1.3.1. KPI a medir, aplicaciones y beneficios
1.3.2. Sistemas de marketing y Data Warehouse
1.3.3. Implementación de una estructura de analítica del dato en Marketing
1.3.4. Plan de Marketing y comunicación
1.3.5. Estrategias, predicción y gestión de campañas
1.4. Comercial y ventas
1.4.1. Aportaciones de analítica del dato en el área comercial
1.4.2. Necesidades del departamento de ventas
1.4.3. Estudios de mercado
1.5. Atención al cliente
1.5.1. Fidelización
1.5.2. Calidad personal e inteligencia emocional
1.5.3. Satisfacción del cliente
1.6. Compras
1.6.1. Analítica del dato para estudios de mercado
1.6.2. Analítica del dato para estudios de competencia
1.6.3. Otras aplicaciones
1.7. Administración
1.7.1. Necesidades en el departamento de administración
1.7.2. Data Warehouse y análisis de riesgo financiero
1.7.3. Data Warehouse y análisis de riesgo de crédito
1.8. Recursos humanos
1.8.1. RRHH. y beneficios de la analítica del dato
1.8.2. Herramientas de analítica del dato en el departamento de RRHH
1.8.3. Aplicación de analítica del dato en los RRHH
1.9. Producción
1.9.1. Análisis de datos en un departamento de producción
1.9.2. Aplicaciones
1.9.3. Beneficios
1.10. IT
1.10.1. Departamento de IT
1.10.2. Analítica del dato y transformación digital
1.10.3. Innovación y productividad
Módulo 2. Gestión, manipulación de datos e información para ciencia de datos
2.1. Estadística. Variables, índices y ratios
2.1.1. La estadística
2.1.2. Dimensiones estadísticas
2.1.3. Variables, índices y ratios
2.2. Tipología del dato
2.2.1. Cualitativos
2.2.2. Cuantitativos
2.2.3. Caracterización y categorías
2.3. Conocimiento de los datos a partir de medidas
2.3.1. Medidas de centralización
2.3.2. Medidas de dispersión
2.3.3. Correlación
2.4. Conocimiento de los datos a partir de gráficos
2.4.1. Visualización según el tipo de dato
2.4.2. Interpretación de información grafica
2.4.3. Customización de gráficos con R
2.5. Probabilidad
2.5.1. Probabilidad
2.5.2. Función de probabilidad
2.5.3. Distribuciones
2.6. Recolección de datos
2.6.1. Metodología de recolección
2.6.2. Herramientas de recolección
2.6.3. Canales de recolección
2.7. Limpieza del dato
2.7.1. Fases de la limpieza de datos
2.7.2. Calidad del dato
2.7.3. Manipulación de datos (con R)
2.8. Análisis de datos, interpretación y valoración de resultados
2.8.1. Medidas estadísticas
2.8.2. Índices de relación
2.8.3. Minería de datos
2.9. Almacén del dato (datawarehouse)
2.9.1. Elementos
2.9.2. Diseño
2.10. Disponibilidad del dato
2.10.1. Acceso
2.10.2. Utilidad
2.10.3. Seguridad
Módulo 3. Dispositivos y plataformas IoT como base para la ciencia de datos
3.1. Internet of Things
3.1.1. Internet del futuro, Internet of Things
3.1.2. El consorcio de internet industrial
3.2. Arquitectura de referencia
3.2.1. La arquitectura de referencia
3.2.2. Capas
3.2.3. Componentes
3.3. Sensores y dispositivos IoT
3.3.1. Componentes principales
3.3.2. Sensores y actuadores
3.4. Comunicaciones y protocolos
3.4.1. Protocolos. Modelo OSI
3.4.2. Tecnologías de comunicación
3.5. Plataformas Cloud para IoT e IIoT
3.5.1. Plataformas de propósito general
3.5.2. Plataformas industriales
3.5.3. Plataformas de código abierto
3.6. Gestión de datos en plataformas IoT
3.6.1. Mecanismos de gestión de datos. Datos abiertos
3.6.2. Intercambio de datos y visualización
3.7. Seguridad en IoT
3.7.1. Requisitos y áreas de seguridad
3.7.2. Estrategias de seguridad en IIoT
3.8. Aplicaciones de IoT
3.8.1. Ciudades inteligentes
3.8.2. Salud y condición física
3.8.3. Hogar inteligente
3.8.4. Otras aplicaciones
3.9. Aplicaciones de IIoT
3.9.1. Fabricación
3.9.2. Transporte
3.9.3. Energía
3.9.4. Agricultura y ganadería
3.9.5. Otros sectores
3.10. Industria 4.0
3.10.1. IoRT (Internet of Robotics Things)
3.10.2. Fabricación aditiva 3D
3.10.3. Big Data Analytics
Módulo 4. Representación gráfica para análisis de datos
4.1. Análisis exploratorio
4.1.1. Representación para análisis de información
4.1.2. El valor de la representación gráfica
4.1.3. Nuevos paradigmas de la representación gráfica
4.2. Optimización para ciencia de datos
4.2.1. La gama cromática y el diseño
4.2.2. La Gestalt en la representación gráfica
4.2.3. Errores a evitar y consejos
4.3. Fuentes de datos básicos
4.3.1. Para representación de calidad
4.3.2. Para representación de cantidad
4.3.3. Para representación de tiempo
4.4. Fuentes de datos complejos
4.4.1. Archivos, listados y BBDD
4.4.2. Datos abiertos
4.4.3. Datos de generación continua
4.5. Tipos de gráficas
4.5.1. Representaciones básicas
4.5.2. Representación de bloques
4.5.3. Representación para análisis de dispersión
4.5.4. Representaciones circulares
4.5.5. Representaciones burbujas
4.5.6. Representaciones geográficas
4.6. Tipos de visualización
4.6.1. Comparativas y relacional
4.6.2. Distribución
4.6.3. Jerárquica
4.7. Diseño de informes con representación gráfica
4.7.1. Aplicación de gráficas en informes de Marketing
4.7.2. Aplicación de gráficas en cuadros de mando y KPI
4.7.3. Aplicación de gráficas en planes estratégicos
4.7.4. Otros usos: Ciencia, salud, negocio
4.8. Narración gráfica
4.8.1. La narración gráfica
4.8.2. Evolución
4.8.3. Utilidad
4.9. Herramientas orientadas a visualización
4.9.1. Herramientas avanzadas
4.9.2. Software en línea
4.9.3. Open Source
4.10. Nuevas tecnologías en la visualización de datos
4.10.1. Sistemas para virtualización de la realidad
4.10.2. Sistemas para aumento y mejora de la realidad
4.10.3. Sistemas inteligentes
Módulo 5. Herramientas de ciencia de datos
5.1. Ciencia de datos
5.1.1. La ciencia de datos
5.1.2. Herramientas avanzadas para el científico de datos
5.2. Datos, información y conocimiento
5.2.1. Datos, información y conocimiento
5.2.2. Tipos de datos
5.2.3. Fuentes de datos
5.3. De los datos a la información
5.3.1. Análisis de datos
5.3.2. Tipos de análisis
5.3.3. Extracción de información de un dataset
5.4. Extracción de información mediante visualización
5.4.1. La visualización como herramienta de análisis
5.4.2. Métodos de visualización
5.4.3. Visualización de un conjunto de datos
5.5. Calidad de los datos
5.5.1. Datos de calidad
5.5.2. Limpieza de datos
5.5.3. Preprocesamiento básico de datos
5.6. Dataset
5.6.1. Enriquecimiento del dataset
5.6.2. La maldición de la dimensionalidad
5.6.3. Modificación de nuestro conjunto de datos
5.7. Desbalanceo
5.7.1. Desbalanceo de clases
5.7.2. Técnicas de mitigación del desbalanceo
5.7.3. Balanceo de un dataset
5.8. Modelos no supervisados
5.8.1. Modelo no supervisado
5.8.2. Métodos
5.8.3. Clasificación con modelos no supervisados
5.9. Modelos supervisados
5.9.1. Modelo supervisado
5.9.2. Métodos
5.9.3. Clasificación con modelos supervisados
5.10. Herramientas y buenas prácticas
5.10.1. Buenas prácticas para un científico de datos
5.10.2. El mejor modelo
5.10.3. Herramientas útiles
Grand Master en Big Data Management