TECH te ofrece el mejor conocimiento en Big Data para que se convierta en tu pasaporte a una carrera llena de oportunidades y desafíos emocionantes” 

La disciplina del Big Data ha emergido como una solución estratégica, permitiendo a las organizaciones transformar datos complejos en oportunidades valiosas. Esta disciplina se ha caracterizado por su volumen, variedad y velocidad, cambiando la forma en que las empresas operan, toman decisiones y compiten en el mercado global. Sin embargo, para aprovechar al máximo este recurso, se requiere de expertos que comprendan cómo recopilar y analizar grandes cantidades de información.  

Conscientes de esta necesidad, el Grand Máster en Big Data Management de TECH se presenta como una puerta de entrada a este fascinante y dinámico campo. Diseñado para especializar a los profesionales que liderarán la revolución digital, este programa combina conocimientos técnicos avanzados con una formación integral, abarcando tanto el estudio de plataformas, algoritmos y herramientas de vanguardia como una sólida preparación estratégica. En la actualidad, prácticamente cada interacción en el entorno digital genera datos, ya sea a través de compras en línea, el uso de redes sociales o los sensores en dispositivos conectados al Internet de las Cosas. Por ello, el conocimiento y la gestión del Big Data se han convertido en aspectos clave para todos los sectores empresariales. 

Este Grand Máster incluye en su temario el estudio de las plataformas, algoritmos y herramientas más avanzadas del sector, todo ello impartido mediante el innovador método de aprendizaje Relearning, adaptado a las necesidades y ritmo de estudio de cada alumno. Lo mejor de todo es que el programa es completamente online y accesible desde cualquier dispositivo, lo que ofrece la flexibilidad de ajustar los horarios y compaginar las responsabilidades laborales, sin dejar de lado una vida familiar activa, mientras se avanza en la especialización profesional. 

Con TECH potencia tu perfil profesional con conocimientos especializados que te harán destacar en cualquier industria”  

Este Grand Máster en Big Data Management contiene el programa más completo y actualizado del mercado. Sus características más destacadas son: 

• El desarrollo de casos prácticos presentados por expertos en informática   
• Los contenidos gráficos, esquemáticos y eminentemente prácticos con los que están concebidos recogen una información científica y práctica sobre aquellas disciplinas indispensables para el ejercicio profesional 
• Los ejercicios prácticos donde realizar el proceso de autoevaluación para mejorar el aprendizaje 
• Su especial hincapié en metodologías innovadoras en Big Data Management 
• Las lecciones teóricas, preguntas al experto, foros de discusión de temas controvertidos y trabajos de reflexión individual 
• La disponibilidad de acceso a los contenidos desde cualquier dispositivo fijo o portátil con conexión a internet 

Domina el futuro del análisis de datos aprendiendo 100% online con el método Relearning, el más innovador y eficaz del mercado” 

Incluye en su cuadro docente a profesionales pertenecientes al ámbito del periodismo, que vierten en este programa la experiencia de su trabajo, además de reconocidos especialistas de sociedades de referencia y universidades de prestigio. 

Su contenido multimedia, elaborado con la última tecnología educativa, permitirá al profesional un aprendizaje situado y contextual, es decir, un entorno simulado que proporcionará un estudio inmersivo programado para entrenarse ante situaciones reales. 

El diseño de este programa se centra en el Aprendizaje Basado en Problemas, mediante el cual el alumno deberá tratar de resolver las distintas situaciones de práctica profesional que se le planteen a lo largo del curso académico. Para ello, el profesional contará con la ayuda de un novedoso sistema de vídeo interactivo realizado por reconocidos expertos.  

Con la metodología didáctica más novedosa, construye el futuro que deseas en un campo donde la demanda de talento no deja de crecer"

Amplía tu capacidad de innovar en el mundo con el mejor claustro de docentes que te acompañarán en este Grand Máster en Big Data"

El Grand Máster en Big Data Management ofrece un conocimiento integral que abarca desde los fundamentos del Big Data hasta las estrategias más avanzadas para su aplicación en el entorno empresarial. A lo largo del programa, los egresados desarrollaran competencias clave en áreas de gran demanda laboral, dándoles la capacidad de analizar y transformar datos en activos valiosos. Además, el programa está diseñado para que los profesionales se adapten a las constantes evoluciones tecnológicas, preparándolos para liderar la gestión de datos en diversos sectores.  

Con la metodología de TECH, aprende cómo descifrar los secretos detrás de los datos y lidera la revolución digital" 

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 (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 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

Módulo 6. Minería de datos. Selección, preprocesamiento y transformación

6.1. La inferencia estadística

6.1.1. Estadística descriptiva vs. inferencia estadística
6.1.2. Procedimientos paramétricos
6.1.3. Procedimientos no paramétricos

6.2. Análisis exploratorio

6.2.1. Análisis descriptivo
6.2.2. Visualización
6.2.3. Preparación de datos

6.3. Preparación de datos

6.3.1. Integración y limpieza de datos
6.3.2. Normalización de datos
6.3.3. Transformando atributos

6.4. Los Valores perdidos

6.4.1. Tratamiento de valores perdidos
6.4.2. Métodos de imputación de máxima verosimilitud
6.4.3. Imputación de valores perdidos usando aprendizaje automático

6.5. El ruido en los datos

6.5.1. Clases de ruido y atributos
6.5.2. Filtrado de ruido
6.5.3. El efecto del ruido

6.6. La maldición de la dimensionalidad

6.6.1. Oversampling
6.6.2. Undersampling
6.6.3. Reducción de datos multidimensionales

6.7. De atributos continuos a discretos

6.7.1. Datos continuos versus discretos
6.7.2. Proceso de discretización

6.8. Los datos

6.8.1. Selección de datos
6.8.2. Perspectivas y criterios de selección
6.8.3. Métodos de selección

6.9. Selección de Instancias

6.9.1. Métodos para la selección de instancias
6.9.2. Selección de prototipos
6.9.3. Métodos avanzados para la selección de instancias

6.10. Preprocesamiento de datos en entornos big data

6.10.1. Big data
6.10.2. Preprocesamiento “clásico” versus masivo
6.10.3. Smart data

Módulo 7. Predictibilidad y análisis de fenómenos estocásticos

7.1. Series de tiempo

7.1.1. Series de tiempo
7.1.2. Utilidad y aplicabilidad
7.1.3. Casuística relacionada

7.2. La serie temporal

7.2.1. Tendencia estacionalidad de ST
7.2.2. Variaciones típicas
7.2.3. Análisis de residuos

7.3. Tipologías

7.3.1. Estacionarias
7.3.2. No estacionarias
7.3.3. Transformaciones y ajustes

7.4. Esquemas para series temporales

7.4.1. Esquema (modelo) aditivo
7.4.2. Esquema (modelo) multiplicativo
7.4.3. Procedimientos para determinar el tipo de modelo

7.5. Métodos básicos de forecast

7.5.1. Media
7.5.2. Naïve
7.5.3. Naïve estacional
7.5.4. Comparación de métodos

7.6. Análisis de residuos

7.6.1. Autocorrelación
7.6.2. ACF de residuos
7.6.3. Test de correlación

7.7. Regresión en el contexto de series temporales

7.7.1. ANOVA
7.7.2. Fundamentos
7.7.3. Aplicación practica

7.8. Modelos predictivos de series temporales

7.8.1. ARIMA
7.8.2. Suavizado exponencial

7.9. Manipulación y análisis de series temporales con R

7.9.1. Preparación de los datos
7.9.2. Identificación de patrones
7.9.3. Análisis del modelo
7.9.4. Predicción

7.10. Análisis gráficos combinados con R

7.10.1. Situaciones habituales
7.10.2. Aplicación práctica para resolución de problemas sencillos
7.10.3. Aplicación práctica para resolución de problemas avanzados

Módulo 8. Diseño y desarrollo de sistemas inteligentes

8.1. Preprocesamiento de datos

8.1.1. Preprocesamiento de datos
8.1.2. Transformación de datos
8.1.3. Minería de datos

8.2. Aprendizaje automático

8.2.1. Aprendizaje supervisado y no supervisado
8.2.2. Aprendizaje por refuerzo
8.2.3. Otros paradigmas de aprendizaje

8.3. Algoritmos de clasificación

8.3.1. Aprendizaje automático inductivo
8.3.2. SVM y KNN
8.3.3. Métricas y puntuaciones para clasificación

8.4. Algoritmos de regresión

8.4.1. Regresión lineal, regresión logística y modelos no lineales
8.4.2. Series temporales
8.4.3. Métricas y puntuaciones para regresión

8.5. Algoritmos de agrupamiento

8.5.1. Técnicas de agrupamiento jerárquico
8.5.2. Técnicas de agrupamiento particional
8.5.3. Métricas y puntuaciones para clustering

8.6. Técnicas de reglas de asociación

8.6.1. Métodos para la extracción de reglas
8.6.2. Métricas y puntuaciones para los algoritmos de reglas de asociación

8.7. Técnicas de clasificación avanzadas. Multiclasificadores

8.7.1. Algoritmos de Bagging
8.7.2. Clasificador random forests
8.7.3. Boosting para árboles de decisión

8.8. Modelos gráficos probabilísticos

8.8.1. Modelos probabilísticos
8.8.2. Redes bayesianas. Propiedades, representación y parametrización
8.8.3. Otros modelos gráficos probabilísticos

8.9. Redes neuronales

8.9.1. Aprendizaje automático con redes neuronales artificiales
8.9.2. Redes feedforward

8.10. Aprendizaje profundo

8.10.1. Redes feedforward profundas
8.10.2. Redes neuronales convolucionales y modelos de secuencia
8.10.3. Herramientas para implementar redes neuronales profundas

Módulo 9. Arquitecturas y sistemas para uso intensivo de datos

9.1. Requisitos no funcionales. Pilares de las aplicaciones de datos masivos

9.1.1. Fiabilidad
9.1.2. Adaptabilidad
9.1.3. Mantenibilidad

9.2. Modelos de datos

9.2.1. Modelo relacional
9.2.2. Modelo documental
9.2.3. Modelo de datos tipo grafo

9.3. Bases de datos. Gestión del almacenamiento y recuperación de datos

9.3.1. Índices hash
9.3.2. Almacenamiento estructurado en log
9.3.3. Árboles B

9.4. Formatos de codificación de datos

9.4.1. Formatos específicos del lenguaje
9.4.2. Formatos estandarizados
9.4.3. Formatos de codificación binarios
9.4.4. Flujo de datos entre procesos

9.5. Replicación

9.5.1. Objetivos de la replicación
9.5.2. Modelos de replicación
9.5.3. Problemas con la replicación

9.6. Transacciones distribuidas

9.6.1. Transacción
9.6.2. Protocolos para transacciones distribuidas
9.6.3. Transacciones serializables

9.7. Particionado

9.7.1. Formas de particionado
9.7.2. Interacción de índice secundarios y particionado
9.7.3. Rebalanceo de particiones

9.8. Procesamiento de datos offline

9.8.1. Procesamiento por lotes
9.8.2. Sistemas de ficheros distribuidos
9.8.3. MapReduce

9.9. Procesamiento de datos en tiempo real

9.9.1. Tipos de broker de mensajes
9.9.2. Representación de bases de datos como flujos de datos
9.9.3. Procesamiento de flujos de datos

9.10. Aplicaciones prácticas en la empresa

9.10.1. Consistencia en lecturas
9.10.2. Enfoque holístico de datos
9.10.3. Escalado de un servicio distribuido

Módulo 10. Aplicación práctica de la ciencia de datos en sectores de actividad empresarial

10.1. Sector sanitario

10.1.1. Implicaciones de la IA y la analítica de datos en el sector sanitario
10.1.2. Oportunidades y desafíos

10.2. Riesgos y tendencias en Sector sanitario

10.2.1. Uso en el Sector Sanitario
10.2.2. Riesgos potenciales relacionados con el uso de IA

10.3. Servicios financieros

10.3.1. Implicaciones de la IA y la analítica de datos en el sector de los servicios financiero
10.3.2. Uso en los servicios financieros
10.3.3. Riesgos potenciales relacionados con el uso de IA

10.4. Retail

10.4.1. Implicaciones de la IA y la analítica de datos en el sector del retail
10.4.2. Uso en el Retail
10.4.3. Riesgos potenciales relacionados con el uso de IA

10.5. Industria 4.0

10.5.1. Implicaciones de la IA y la analítica de datos en la industria 4.0
10.5.2. Uso en la industria 4.0

10.6. Riesgos y tendencias en industria 4.0

10.6.1. Riesgos potenciales relacionados con el uso de IA

10.7. Administración pública

10.7.1. Implicaciones de la IA y la analítica de datos en la administración pública
10.7.2. Uso en la administración pública
10.7.3. Riesgos potenciales relacionados con el uso de IA

10.8. Educación

10.8.1. Implicaciones de la IA y la analítica de datos en la educación
10.8.2. Riesgos potenciales relacionados con el uso de IA

10.9. Silvicultura y agricultura

10.9.1. Implicaciones de la IA y la analítica de datos en la silvicultura y agricultura
10.9.2. Uso en silvicultura y agricultura
10.9.3. Riesgos potenciales relacionados con el uso de IA

10.10. Recursos humanos

10.10.1. Implicaciones de la IA y la analítica de datos en la gestión de recursos humanos
10.10.2. Aplicaciones prácticas en el mundo empresarial
10.10.3. Riesgos potenciales relacionados con el uso de IA

Módulo 11. Visual analytics en el contexto social y tecnológico

11.1. Las olas tecnológicas en las diferentes sociedades. Hacia una ‘data society’
11.2. La globalización. Contexto mundial geopolítico y social
11.3. Entorno VUCA. Viviendo siempre en el pasado
11.4. Conociendo las nuevas tecnologías: 5G e IoT
11.5. Conociendo las nuevas tecnologías: Cloud y edge computing
11.6. Critical thinking en visual analytics
11.7. Los know-mads. Nómadas entre datos
11.8. Aprendiendo a emprender en visual analytics
11.9. Teorías de anticipación aplicadas al visual analytics
11.10. El nuevo entorno empresarial. La transformación digital

Módulo 12. Análisis e interpretación de datos

12.1. Introducción a la estadística
12.2. Medidas aplicables al tratamiento de información
12.3. Correlación estadística
12.4. Teoría de la probabilidad condicional
12.5. Variables aleatorias y distribuciones de probabilidad
12.6. Inferencia bayesiana
12.7. Teoría de muestras
12.8. Intervalos de confianza
12.9. Contrastes de hipótesis
12.10. Análisis de la regresión

Módulo 13. Técnicas de análisis de datos e IA

13.1. Analítica predictiva
13.2. Técnicas de evaluación y selección de modelos
13.3. Técnicas de optimización lineal
13.4. Simulaciones de Montecarlo
13.5. Análisis de escenarios
13.6. Técnicas de machine learning
13.7. Analítica web
13.8. Técnicas de text mining
13.9. Métodos en Procesamiento Lenguaje Natural (PNL)
13.10. Análisis de redes sociales

Módulo 14. Herramientas de análisis de datos

14.1. Entorno R de data science
14.2. Entorno python de data science
14.3. Gráficos estáticos y estadísticos
14.4. Tratamiento de datos en diferentes formatos y diferentes fuentes
14.5. Limpieza y preparación de datos
14.6. Estudios exploratorios
14.7. Árboles de decisión
14.8. Reglas de clasificación y de asociación
14.9. Redes neuronales
14.10. Deep learning

Módulo 15. Sistemas de gestión de bases de datos y paralelización de datos

15.1. Bases de datos convencionales
15.2. Bases de datos no convencionales
15.3. Cloud computing: Gestión distribuida de datos
15.4. Herramientas de ingesta de grandes volúmenes de datos
15.5. Tipos de paralelismos
15.6. Procesamiento de datos en streaming y tiempo real
15.7. Procesamiento paralelo: Hadoop
15.8. Procesamiento paralelo: Spark
15.9. Apache Kafka

15.9.1. Introducción a Apache Kafka
15.9.2. Arquitectura
15.9.3. Estructura de datos
15.9.4. APIs Kafka
15.9.5. Casos de uso

15.10. Cloudera Impala

Módulo 16. Data-driven soft skills en la dirección estratégica en visual analytics

16.1. Drive profile for data-driven
16.2. Habilidades gerenciales avanzadas en organizaciones data-driven
16.3. Usando los datos para mejorar el performance de la comunicación estratégica
16.4. Inteligencia emocional aplicada a la dirección en visual analytics
16.5. Presentaciones eficaces
16.6. Mejorando el performance mediante la gestión motivacional
16.7. Liderazgo en organizaciones data-driven
16.8. Talento digital en organizaciones data-driven
16.9. Data-driven Agile Organization I
16.10. Data-driven Agile Organization II

Módulo 17. Dirección estratégica de proyectos de visual analytics y big data

17.1. Introducción a la dirección estratégica de proyectos
17.2. Best practices en la descripción de procesos de big data (PMI)
17.3. Metodología Kimball
17.4. Metodología SQuID

17.4.1. Introducción a la metodología SQuID para abordar proyectos de big data
17.4.2. Fase I. Sources
17.4.3. Fase II. Data quality
17.4.4. Fase III. Impossible questions
17.4.5. Fase IV. Discovering
17.4.6. Best practices en la aplicación de SQuID a proyectos de big data

17.5. Aspectos legales del mundo de los datos
17.6. Privacidad en big data
17.7. Ciberseguridad en big data
17.8. La identificación y deidentificación con grandes volúmenes de datos
17.9. Ética de los datos I
17.10. Ética de los datos II

Módulo 18. Análisis del cliente. Aplicando la inteligencia de los datos al marketing

18.1. Conceptos del marketing. Marketing estratégico
18.2. Marketing relacional.
18.3. El CRM como centro de la organización para el análisis del cliente
18.4. Tecnologías de la web
18.5. Fuentes de datos web
18.6. Adquisición de datos web
18.7. Herramientas para la extracción de datos de la web
18.8. Web semántica
18.9. OSINT: Inteligencia de fuente abierta
18.10. MasterLead o como mejorar la conversión a ventas usando big data

Módulo 19. Visualización interactiva de los datos

19.1. Introducción al arte de hacer visible los datos
19.2. Cómo hacer un storytelling con datos
19.3. Representaciones de datos
19.4. Escalabilidad de representaciones visuales
19.5. Visual analytics vs. information visualization. Entendiendo que no es lo mismo
19.6. Proceso de análisis visual (keim)
19.7. Reportes estratégicos, operativos y de dirección
19.8. Tipos de gráficos y su función
19.9. Interpretación de reportes y gráficos. Jugando el rol del receptor
19.10. Evaluación de sistemas de visual analytics

Módulo 20. Herramientas de visualización

20.1. Introducción a las herramientas de visualización de datos
20.2. Many Eyes
20.3. Google Charts
20.4. jQuery
20.5. Data-driven documents I
20.6. Data-driven documents II
20.7. Matlab
20.8. Tableau
20.9. SAS visual analytics
20.10. Microsoft Power BI

Un temario completo que te llevará a dominar el área del Big Data y convertirte en un arquitecto de estrategias empresariales exitoso”