Con este Máster de Formación Permanente 100% online, dominarás las técnicas más innovadoras del análisis de datos para optimizar la toma de decisiones en el ámbito empresarial” 

En un entorno global impulsado por la digitalización, la gestión eficiente de los datos se ha consolidado como un eje estratégico para la innovación y la toma de decisiones. Las organizaciones enfrentan un flujo constante de información que debe ser interpretado y alineado con los objetivos del negocio. Frente a este desafío, surge la necesidad de profesionales que combinen habilidades técnicas con visión estratégica. El Máster de Formación Permanente en Data Science Management responde a esta demanda, integrando el análisis de datos con la dirección y liderazgo de proyectos en entornos tecnológicos. 

Este programa permite adquirir competencias clave para liderar procesos de transformación digital basados en datos. A través de un enfoque aplicado, se abordan áreas como inteligencia artificial, analítica avanzada y modelos predictivos, siempre conectados con la toma de decisiones y la optimización de recursos. La combinación de herramientas técnicas con criterios de gestión estratégica potencia un perfil altamente valorado en sectores como la banca, la industria tecnológica, la consultoría o los servicios públicos. Esta preparación ofrece ventajas a futuro al abrir acceso a roles directivos vinculados a la Ciencia de Datos, la innovación o el desarrollo de soluciones basadas en evidencia. 

Por otra parte, la modalidad online de esta titulación universitaria ofrece flexibilidad, acceso global y compatibilidad con entornos laborales exigentes. El entorno digital permite avanzar a ritmo propio, con acceso permanente a contenidos, recursos y acompañamiento docente. Además, fomenta la interacción entre perfiles internacionales, enriqueciendo el intercambio de experiencias y perspectivas dentro del ecosistema tecnológico.

De igual manera, esta metodología facilita la aplicación inmediata de los conocimientos en proyectos reales, favoreciendo un aprendizaje práctico y conectado con el mercado. TECH apuesta por una propuesta académica innovadora en Data Science Management, diseñada para responder a las demandas actuales de la industria digital, sin barreras geográficas ni limitaciones horarias. De igual manera los profesionales se beneficiarán con 10 exclusivas Masterclasses impartidas por un prestigioso Director Invitado Internacional. 

Accede a 10 Masterclasses exclusivas impartidas por un reconocido Director Invitado Internacional” 

Este Máster de Formación Permanente en Data Science Management (DSO, Data Science Officer) contiene el programa universitario más completo y actualizado del mercado. Sus características más destacadas son: 

• El desarrollo de casos prácticos presentados por expertos en Tecnología 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 Tecnologías Informáticas 
• 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 

Manejarás las técnicas más avanzadas de visualización para comunicar resultados de forma efectiva” 

Incluye en su cuadro docente a profesionales pertenecientes al ámbito de la Informática, 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. 

Desarrollarás la capacidad de transformar datos complejos en información útil"

Comprenderás el ecosistema del IoT y su conexión con el análisis de datos"

En un contexto donde los datos se han convertido en el principal activo estratégico, este plan de estudios ofrece una visión integral y actualizada de la gestión avanzada de la información. A través de contenidos que combinan data governance, inteligencia artificial aplicada, analítica predictiva y liderazgo de proyectos basados en datos, se abordan los desafíos clave del entorno digital. Además, incorpora tendencias emergentes como la ética algorítmica, la automatización inteligente y la toma de decisiones asistida por modelos. Todo ello con un enfoque práctico y orientado a conectar la Ciencia de Datos con la dirección estratégica en organizaciones tecnológicas. 

Dominarás los principales lenguajes de programación y diseñarás arquitecturas de datos altamente escalables” 

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 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’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 feed forward

8.10. Aprendizaje profundo

8.10.1. Redes feed forward 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 bróker 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 financieros 
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 

Dispondrás de una sólida comprensión sobre la aplicación de metodologías ágiles para la gestión de proyectos de Ciencia de Datos”