Grand Master en MBA en Data Science Management

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´s 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. RR. HH
1.2.3.7. Producción
1.2.3.8. IT

1.3. Marketing y comunicación

1.3.1. KPI’s 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. RR. HH. y beneficios de la analítica del dato
1.8.2. Herramientas de analítica del dato en el departamento de RR. HH
1.8.3. Aplicación de analítica del dato en los RR. HH

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 gráfica
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 (Data Warehouse)

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 BB. DD
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´s
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