Magíster Executive Big Data

• ¿Qué es? Múltiples definiciones. Poner énfasis en que los mismos datos se convierten en big data en función de lo que se quiera hacer con ellos. Ejemplo: 100M registros, hacer una media = no big data, entrenar un modelo complejo = big data.
• Principio de funcionamiento: MapReduce. Ejemplos clásicos para entender el concepto (contar palabras en un texto, etc.).
• Concepto de Data Lake
• Concepto ETL, ELT
• La importancia del metadato y el data governance para la analítica.
• Los Datalabs en un modelo de integración analítica con el Data Lake y el Gobierno del dato.

• Hadoop: Almacenamiento y procesamiento distribuido
• Herramientas de obtención de datos: Sqoop y Flume.
• Motores de consulta SQL:
• Hive e impala:Principio de funcionamiento.
• Sintaxis y funciones propias de HiveQL e Impala.
• Introducción y principio de funcionamiento.
• DataFrames & Spark SQL.
• Diferencia entre las bases de datos relacionales con integridad referencial y los motores de consulta para Big Data.
• Interfaces:
• Web (Hue, Ambari,Cloudera Manager).
• Bases de datos NoSQL:
• Hbase, Cassandra, MongoDB y Neo4J
• Procesamiento de datos en Streaming

• Gobierno de datosDefinición canónica.
• Definición desde la experiencia.
• Algunas preguntas que debería responder.
• Gestión de metadatosQue es la gestión de metadatos. Cada empresa es un mundo
• Definir lo que quiero saber de mi dato siempre.Medir el progreso ¿todos mis datos están metadatos de acuerdo a lo que quiero saber?
• Alarmas. Estructuras definidas vs Estructuras existentes. Nadie puede saltarse los procedimientos.
• Metadato técnico
• Metadato de negocio
• Metadato operacional
• Metadato operativo.
• Almacenamiento de datos y Operaciones (TTL. Time To Live)Que es el tiempo de vida de los datos. Cada negocio una necesidad
• Políticas de retenciónLanding date
• Date field data
• Last utilization
• Tags based
• Data Security.DSA (Data Sharing Agreement). Seguridad en base a contratos de uso (Compliance)
• Integración con los sistemas Legacy de seguridad en las empresas (Active Directory)
• Integración con los sistemas legacy de Service Desk de la empresa (Remedy, etc).
• Integración de los procesos existentes en una plataforma para que pasen a estar gobernados. Medir progreso y alarmas.
• Roles típicos dentro de los procedimientos de gobierno.Artefactos a controlar. DSA, Datasets, Procesos
• Workflows más comunes.
• Uso de los datos ¿Cómo se están usando los datos de la plataforma? ¿Quién los usa?Detección de dato “inútil”.
• Detección de dato muy usado.
• Analítica semántica de los datos de mayor interés para anticipar necesidades futuras de datos.
• Data lineage. Datos y Procesos
• Tipos de lineageEstático
• Semi dinámico
• Dinámico
• De negocio
• Data quality.
• Niveles de Data Quality.Technical level. KPIs típicos. Beneficios.
• Functional level. KPIs típicos. Beneficios.
• Business level. KPIs típicos. Beneficios.
• Diccionario de datos. Enriquecimiento del metadato
• Aprovechar las sinergias en cuanto a la existencia de un Diccionario en la empresa
• Aprovechar las sinergias en cuanto a la existencia de Modelos de Datos en la empresa.

• Introducción en la gestión de proyectos Big Data
• Cómo organizar, estructurar y desplegar un Proyecto de Big Data: etapas, riesgos, metodologías, claves para el éxito y desafíos de la gestión.
• Cuáles son los principales desafíos de un Proyecto de Big Data.
• Análisis de riesgos propio de un Proyecto de Big Data.
• Cómo organizar un proyecto de Big Data desde el punto de vista organizacional.
• Optimización y elaboración de Plan de Desarrollo de proyecto (PDP)
• Operatividad en los proyectos: implantación, IC, seguridad, etc.
• Cultura y Metodologías Ágiles: Nuevas capacidades y Roles, metodologías LEAN: Scrum y Kanban. Etapas y entregables.
• Aciertos y errores en los casos de uso de Big Data.
• Claves para el éxito un proyecto de Big Data.

Coaching de proyectos

Introducción al Coaching

Coaching Directivo

• Introducción del coaching ejecutivo en la empresa.
• Impacto y contribución en el rendimiento organizativo.
• Relación de Coaching entre las partes involucradas.
• Herramientas específicas para el Coaching ejecutivo.
• Plan para la consecución de los objetivos del Coaching.

Coaching Equipos

• Introducción y objetivos del Coaching de equipos.
• Modelos de Coaching de equipos
• El rol del Coach de Equipo.
• Etapas de desarrollo y evolución de un equipo.
• Del diagnóstico al cambio. Técnicas de diagnóstico.
• Las leyes sistémicas aplicadas a los equipos.
• Técnicas de desarrollo de coaching de equipo.

Design thinking

• Introducción al DesignThinking
• Procesos del DesignThinking
• Técnicas del Design ThinkingTécnicas aplicadas en cada fase de los procesos.
• Técnicas: shadowing, tarjetas de atributos, ¿qué-cómo-por qué?
• El mapa de la empatía
• POV (Point of View)
• Técnicas creativas (brainstorming, método 635, inversión, provocación, SCAMPER, etc…)
• PrototiparTestearPráctica: identificación y resolución de un problema utilizando el DesignThinking

• Modelos de Negocios Internacionales soportados por Big Data.
• Evaluación de Herramientas Tecnológicas Aplicadas al Negocio
• Estrategias de Marketing Digital a través de los medios sociales.
• Las brechas entre las PYMES y Big Data ¿verdad o mito?
• Responsabilidad Social Corporativa (medio ambiente, recursos) y buenas Prácticas de Gobierno Corporativo
• Gestión de riesgos en Negocios Internacionales utilizando Big Data.
• Gestión estratégica de la información (cross-secctor) B2C / B2C
• Aplicación práctica a cada sector de negocio definido previamente
• Drivers Big Data: internet de las cosas, cloud computing, redes sociales, Blockchain, etc.

Análisis inicial del dato

• Análisis exploratorio.
• Localización de dato atípico y métodos de detección de outliers.
• Realización de estadísticos descriptivos.
• Evaluación de la calidad del dato.
• Tipologías de datos: categóricos, numéricos, ordinales, temporales (fechas).
• Caso práctico.

El modelo de datos en tres capas.

• Capa raw.
• Capa Master.
• Capa de consumo.
• Caso Práctico: Construir un modelo en tres capas a partir del análisis anterior.

Explotación eficiente del dato mediante herramientas de BI y Data Discovery.

• Cómo explotar un modelo de datos sin sobrecargar el sistema.
• Herramientas de reporting (Spotfire, PBI…).

Visualización

• Matplotlib: principal librería de visualización en Python.
• folium: librería para visualización geográfica en Python.
• seaborn: librería a alto nivel de visualización estadística basada en Matplotlib.
• Basadas en D3: Bokeh, Plotly. Visualización general.
• Para Big Data (visualización de millones / billones de registros): datashader.