Máster en Dirección Técnica de Data Science en la Empresa
Magíster
Online
Descripción
-
Tipología
Magíster
-
Metodología
Online
-
Horas lectivas
1500h
-
Duración
12 Meses
-
Inicio
Fechas disponibles
-
Campus online
Sí
-
Clases virtuales
Sí
En la actualidad muchas de las herramientas, plataformas o tecnologías de vanguardia se convierten en elementos obsoletos con reducida aplicabilidad en el entorno empresarial. Sin ninguna duda, se trata de un proceso imparable y en constante evolución, máximo exponente de la revolución tecnológica actual, que obliga a los profesionales de las tecnologías de la información a una permanente especialización. Su programa docente resulta único por la cuidada selección de tecnologías, incluyendo las de más reciente incorporación y demandas en el ámbito empresarial.
Además, la incorporación de módulos específicos para la mejora de la visión empresarial y la gestión de equipos multidisciplinares, hacen un programa diferente y capaz de cubrir buena parte de las necesidades educativas de cualquier profesional que desee posicionarse como un referente del conocimiento teórico y práctico de las tecnologías más actuales.
Información importante
Documentación
- 75maestria-direcion-tecica-data-science-empresa-tech-latam.pdf
Sedes y fechas disponibles
Ubicación
comienzo
comienzo
A tener en cuenta
Objetivos Generales
-Analizar los sistemas ERP y CRM, aportación y beneficios
-Diseñar y seleccionar la herramienta ERP o CRM idóneas para cada empresa
-Desarrollar cada una de las etapas del ciclo de vida de los datos
Establecer el marco normativo relacionado con el manejo de los datos
-Examinar el proceso de minería de datos
-Analizar una plataforma web y optimizar su funcionamiento
-Evaluar las sesiones y el tráfico a fin de conocer mejor a la audiencia
Este programa está diseñado para afianzar las capacidades del alumno en Dirección Técnica de Data Science en la Empresa, además de desarrollar nuevas competencias y habilidades que le serán imprescindibles en su desarrollo profesional. Tras el programa, será capaz de tomar decisiones de carácter global con una perspectiva innovadora y una visión internacional.
Este Máster Título Propio en Dirección Técnica de Data Science en la Empresa 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 Máster Propio emitido por TECH Universidad Tecnológica.
El título expedido por TECH Universidad Tecnológica expresará la calificación que haya obtenido en el Máster Título Propio, y reunirá los requisitos comúnmente exigidos por las bolsas de trabajo, oposiciones y comités evaluadores de carreras profesionales.
Título: Máster Título Propio en Dirección Técnica de Data Science en la Empresa
N.º Horas Oficiales: 1.500 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
- Redes
- ERP
- Algoritmos
- Estadística
- Gestión
- SEO
- Sme
- Donde
- Como
- Porque
- Medio
- Lol
Profesores
Arturo Peralta Martín-Palomino
Profesor
Temario
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 semi-supervisado. 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
Máster en Dirección Técnica de Data Science en la Empresa