Descripción

Con esta especialización MBA en Data Science Management serás el mejor candidato posible para la dirección de cualquier equipo de trabajo, aportando un punto de vista analítico y técnico único” 

grand master mba data science

Los equipos de trabajo de cualquier empresa actualizada a la realidad digital requieren de profesionales multidisciplinares. Estos equipos, generalmente de alta cualificación, requieren de una dirección aún más especializada y adaptada a su nivel de conocimientos. El presente Grand Master MBA en Data Science Management cubre ese nicho laboral aportando al alumno un conjunto de conocimientos únicos y útiles para liderar equipos de trabajo. Haciendo uso de la ciencia de los datos y la analítica profunda, el estudiante será capaz de tomar decisiones rápidas con una perspectiva global de negocio, comprendiendo todas las realidades que envuelven a estos entornos empresariales complejos y cambiantes. 

El material didáctico cubre todos los aspectos necesarios para liderar con éxito, desde una perspectiva analítica, la gestión, manipulación e interpretación de los datos recogidos; los dispositivos y plataformas óptimos para la gestión de datos; la minería de datos, la representación gráfica de los mismos y los modelos predictivos basados en datos; y, por último, el liderazgo y la comunicación efectiva en grupos amplios de trabajo. A todo lo anterior mencionado, se deben sumar, además, otras competencias complementarias más técnicas que hacen de esta una enseñanza versátil y completa. 

Además, el alumno contará con la libertad total de cursar el presente programa a su propio ritmo, ya que se trata de una enseñanza completamente online, sin horarios fijos ni obligación de asistencia a un centro físico. El material didáctico está accesible en todo momento y el estudiante puede adaptar el aprendizaje a sus obligaciones personales o profesionales. 

Con el set de conocimientos que te proporciona este Grand Master MBA en Data Science Management, tendrás todo lo que hace falta para lanzar tu carrera profesional hacia nuevas cotas y metas” 

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

  • El desarrollo de casos prácticos presentados por expertos en liderazgo y analítica de datos  
  • 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 el campo de la ciencia de los datos 
  • 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 

Los líderes con mayores capacidades y conocimientos son los que pueden marcar la diferencia en un entorno empresarial disputado y competitivo. Marca la diferencia y triunfa donde otros fracasaron con aptitudes en liderazgo y ciencia de los datos” 

Incluye en su cuadro docente a profesionales pertenecientes al ámbito de la dirección empresarial y ciencia de los datos, 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 programa. Para ello, el profesional contará con la ayuda de un novedoso sistema de vídeo interactivo realizado por reconocidos expertos.  

Es tu momento para alcanzar el cenit de tu carrera profesional. Especialízate con este Grand Master MBA en Data Science Management y postula a los puestos de trabajo que siempre has soñado"

master mba data science

TECH te ofrece la posibilidad de estudiar a tu ritmo. Tienes una oportunidad única para darle ese plus distintivo a tu currículum y destacar entre los mejores"

Temario

El Grand Master MBA en Data Science Management se compone de 19 módulos con distintos temarios y subtemas cada uno, recopilando toda la información de forma precisa y clara para que el alumno no tenga dificultades a la hora de realizar sus estudios. Durante la enseñanza, el estudiante aprenderá metodologías de trabajo innovadoras, formas diferentes de gestión y almacenamiento de datos, así como a solucionar y mediar ante posibles conflictos laborales de distinta índole, entre otros conocimientos que también serán de utilidad para su carrera profesional hacia la dirección de grupos de trabajo. 

mejor maestria mba data science

Este Grand Master MBA en Data Science Management te da la oportunidad de adquirir los mejores conocimientos de la forma más concisa y precisa posible”  

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 grafica  
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. Principales Sistemas de Gestión de Información 

11.1. ERP y CRM  

11.1.1. El ERP  
11.1.2. El CRM  
11.1.3. Diferencias entre ERP, CRM. Punto de venta  
11.1.4. Éxito empresarial    

11.2. El ERP   

11.2.1. El ERP  
11.2.2. Tipos de ERP   
11.2.3. Desarrollo de un proyecto de implantación de un ERP  
11.2.4. ERP. Optimizador de recursos  
11.2.5. Arquitectura de un sistema ERP  

11.3. Información aportada por el ERP   

11.3.1. Información aportada por el ERP  
11.3.2. Ventajas e inconvenientes  
11.3.3. La información   

11.4. Sistemas ERP    

11.4.1. Sistemas y herramientas actuales de ERP  
11.4.2. Toma de decisiones  
11.4.3. Día a día con un ERP  

11.5. CRM: El proyecto de implantación   

11.5.1. El CRM. Proyecto de Implantación  
11.5.2. El CRM como herramienta comercial  
11.5.3. Estrategias para el sistema de información  

11.6. CRM: Fidelización de clientes  

11.6.1. Punto de partida   
11.6.2. Vender o Fidelizar  
11.6.3. Factores de éxito en nuestro sistema de fidelización  
11.6.4. Estrategias multicanal  
11.6.5. Diseño de las acciones de fidelización  
11.6.6. E-fidelización  

11.7. CRM: Campañas de comunicación  

11.7.1. Acciones y planes de comunicación  
11.7.2. Importancia del cliente informado  
11.7.3. La escucha al cliente  

11.8. CRM: Prevención de insatisfechos   

11.8.1. Las bajas de cliente  
11.8.2. Detección de errores a tiempo  
11.8.3. Procesos de mejora   
11.8.4. Recuperación del cliente insatisfecho  

11.9. CRM: Acciones especiales de comunicación  

11.9.1. Objetivos y planificación de un evento en la empresa  
11.9.2. Diseño y realización del evento  
11.9.3. Acciones desde el departamento  
11.9.4. Análisis de resultados  

11.10. El marketing relacional  

11.10.1. Implantación. Errores  
11.10.2. Metodología, segmentación y procesos   
11.10.3. Actuación, según el departamento  
11.10.4. Herramientas CRM   

Módulo 12. Tipos y ciclo de vida del dato   

12.1. La estadística  

12.1.1. Estadística: estadística descriptiva, estadística inferencias  
12.1.2. Población, muestra, individuo  
12.1.3. Variables: definición, escalas de medida  

12.2. Tipos de datos estadísticos  

12.2.1. Según tipo  

    12.2.1.1. Cuantitativos: datos continuos y datos discretos   
    12.2.1.2. Cualitativos: datos binomiales, datos nominales y datos ordinales   

12.2.2. Según su forma   

    12.2.2.1. Numérico  
    12.2.2.2. Texto   
    12.2.2.3. Lógico  

12.2.3. Según su fuente  

    12.2.3.1. Primarios  
    12.2.3.2. Secundarios  

12.3. Ciclo de vida de los datos  

12.3.1. Etapas del ciclo  
12.3.2. Hitos del ciclo  
12.3.3. Principios FAIR  

12.4. Etapas iniciales del ciclo  

12.4.1. Definición de metas  
12.4.2. Determinación de recursos necesarios  
12.4.3. Diagrama de Gantt  
12.4.4. Estructura de los datos  

12.5. Recolección de datos  

12.5.1. Metodología de recolección  
12.5.2. Herramientas de recolección  
12.5.3. Canales de recolección  

12.6. Limpieza del dato  

12.6.1. Fases de la limpieza de datos  
12.6.2. Calidad del dato  
12.6.3. Manipulación de datos (con R)  

12.7. Análisis de datos, interpretación y valoración de resultados

12.7.1. Medidas estadísticas  
12.7.2. Índices de relación  
12.7.3. Minería de datos  

12.8. Almacén del dato (datawarehouse)  

12.8.1. Elementos que lo integran  
12.8.2. Diseño  
12.8.3. Aspectos a considerar  

12.9. Disponibilidad del dato  

12.9.1. Acceso  
12.9.2. Utilidad  
12.9.3. Seguridad  

12.10. Aspectos normativos 

12.10.1. Ley de protección de datos  
12.10.2. Buenas practicas  
12.10.3. Otros aspectos normativos 

Módulo 13. Número- aprendizaje automático   

13.1. El conocimiento en bases de datos 

13.1.1. Preprocesamiento de datos  
13.1.2. Análisis  
13.1.3. Interpretación y evaluación de los resultados 

13.2. Machine learning  

13.2.1. Aprendizaje supervisado y no supervisado 
13.2.2. Aprendizaje por refuerzo 
13.2.3. Aprendizaje semi-supervisado. Otros modelos de aprendizaje 

13.3. Clasificación  

13.3.1. Árboles de decisión y aprendizaje basado en reglas 
13.3.2. Máquinas de Soporte Vectorial (SVM) y algoritmos de vecinos más cercanos (KNN) 
13.3.3. Métricas para algoritmos de clasificación 

13.4. Regresión  

13.4.1. Regresión lineal y regresión logística 
13.4.2. Modelos de regresión no lineales 
13.4.3. Análisis de series temporales 
13.4.4. Métricas para algoritmos de regresión  

13.5. Clustering  

13.5.1. Agrupamiento jerárquico  
13.5.2. Agrupamiento particional 
13.5.3. Métricas para algoritmos de clustering 

13.6. Reglas de Asociación  

13.6.1. Medidas de interés 
13.6.2. Métodos de extracción de reglas 
13.6.3. Métricas para los algoritmos de reglas de asociación 

13.7. Multiclasificadores  

13.7.1. Bootstrap aggregation o bagging 
13.7.2. Algoritmo de random forests 
13.7.3. Algoritmo de boosting 

13.8. Modelos de razonamiento probabilístico 

13.8.1. Razonamiento probabilístico 
13.8.2. Redes bayesianas o redes de creencia 
13.8.3. Hidden markov models 

13.9. Perceptrón multicapa 

13.9.1. Red neuronal 
13.9.2. Aprendizaje automático con redes neuronales 
13.9.3. Descenso del gradiente, backpropagation y funciones de activación 
13.9.4. Implementación de una red neuronal artificial 

13.10 Aprendizaje profundo 

13.10.1. Redes neuronales profundas. Introducción 
13.10.2. Redes convolucionales  
13.10.3. Sequence modeling 
13.10.4. Tensorflow y pytorch 

Módulo 14. Analítica web  

14.1. Analítica web

14.1.1. Introducción  
14.1.2. Evolución de la analítica web  
14.1.3. Proceso de análisis  

14.2. Google Analytics  

14.2.1. Google Analytics  
14.2.2. Uso   
14.2.3. Objetivos  

14.3. Hits. Interacciones con el sitio web  

14.3.1. Métricas básicas  
14.3.2. KPI (Key Performance Indicators)  
14.3.3. Porcentajes de conversión adecuados  

14.4. Dimensiones frecuentes  

14.4.1. Fuente  
14.4.2. Medio  
14.4.3. Keyword  
14.4.4. Campaña  
14.4.5. Etiquetado personalizado  

14.5. Configuración de Google Analytics  

14.5.1. Instalación. Creación de la cuenta  
14.5.2. Versiones de la herramienta: UA / GA4 
14.5.3. Etiqueta de seguimiento  
14.5.4. Objetivos de conversión  

14.6. Organización de Google Analytics  

14.6.1. Cuenta  
14.6.2. Propiedad  
14.6.3. Vista  

14.7. Informes de Google Analytics  

14.7.1. En tiempo real  
14.7.2. Audiencia  
14.7.3. Adquisición  
14.7.4. Comportamiento  
14.7.5. Conversiones  
14.7.6. Comercio electrónico  

14.8. Informes avanzados de Google Analytics  

14.8.1. Informes personalizados  
14.8.2. Paneles  
14.8.3. APIs  

14.9. Filtros y segmentos  

14.9.1. Filtro  
14.9.2. Segmento  
14.9.3. Tipos de segmentos: predefinidos / personalizados  
14.9.4. Listas de remarketing  

14.10. Plan de analítica digital  

14.10.1. Medición  
14.10.2. Implementación en el entorno tecnológico  
14.10.3. Conclusiones 

Módulo 15. Normativas para gestión de datos   

15.1. Marco regulatorio 

15.1.1. Marco normativo y definiciones 
15.1.2. Responsables, corresponsables y encargados de tratamiento 
15.1.3. Próximo marco normativo en materia de inteligencia artificial 

15.2. Principios relativos al tratamiento de datos personales 

15.2.1. Licitud, lealtad y transparencia y limitación de la finalidad 
15.2.2. Minimización de datos, exactitud y limitación del plazo de conservación  
15.2.3. Integridad y confidencialidad 
15.2.4. Responsabilidad proactiva 

15.3. Legitimación y habilitación para el tratamiento 

15.3.1. Bases de legitimación 
15.3.2. Habilitaciones para el tratamiento de categorías especiales de datos 
15.3.3. Comunicaciones de datos 

15.4. Derechos de los individuos 

15.4.1. Transparencia e información 
15.4.2. Acceso 
15.4.3. Rectificación y supresión (derecho al olvido), limitación y portabilidad 
15.4.4. Oposición y decisiones individuales automatizadas 
15.4.5. Límites a los derechos 

15.5. Análisis y gestión de riesgos 

15.5.1. Identificación de riesgos y amenazas para los derechos y libertades de las personas físicas 
15.5.2. Evaluación de riesgos 
15.5.3. Plan de tratamiento de riesgos 

15.6. Medidas de responsabilidad proactiva 

15.6.1. Identificación de técnicas para garantizar y acreditar cumplimiento 
15.6.2. Medidas organizativas 
15.6.3. Medidas técnicas 
15.6.4. Gestión de violaciones de la seguridad de los datos personales 
15.6.5. El registro de actividades de tratamiento  

15.7. La Evaluación de Impacto relativa a la Protección de los Datos Personales (EIPD o DPIA) 

15.7.1. Actividades que requieren EIPD   
15.7.2. Metodología de evaluación 
15.7.3. Identificación de riesgos, amenazas y consulta a la autoridad de control 

15.8. Regulación contractual: responsables, encargados y otros sujetos 

15.8.1. Contratos en materia de protección de datos 
15.8.2. Atribución de responsabilidades 
15.8.3. Contratos entre corresponsables 

15.9. Transferencias internacionales de datos 

15.9.1. Definición y garantías que deben adoptarse 
15.9.2. Las cláusulas contractuales tipo 
15.9.3. Otros instrumentos para regular transferencias 

15.10. Infracciones y sanciones 

15.10.1. Infracciones y sanciones 
15.10.2. Criterios de graduación en materia sancionadora 
15.10.3. El delegado de protección de datos 
15.10.4. Funciones de las autoridades de control 

Módulo 16. Sistemas escalables y confiables de uso masivo de datos   

16.1. Escalabilidad, confiabilidad y mantenibilidad  

16.1.1. Escalabilidad  
16.1.2. Confiabilidad  
16.1.3. Mantenibilidad  

16.2. Modelos de datos  

16.2.1. Evolución de los modelos de datos  
16.2.2. Comparación del modelo relacional con el modelo NoSQL basado en documentos  
16.2.3. Modelo de grafos  

16.3. Motores de almacenamiento y recuperación de datos  

16.3.1. Almacenamiento estructurado en log  
16.3.2. Almacenamiento en tablas de segmentos  
16.3.3. Árboles B  

16.4. Servicios, paso de mensajes y formatos para codificar datos  

16.4.1. Flujo de datos en servicios REST  
16.4.2. Flujo de datos en paso de mensajes  
16.4.3. Formatos de envío de mensajes  

16.5. Replicación  

16.5.1. Teorema CAP  
16.5.2. Modelos de consistencia  
16.5.3. Modelos de réplica en base a conceptos de líder y seguidores  

16.6. Transacciones distribuidas  

16.6.1. Operaciones atómicas  
16.6.2. Transacciones distribuidas desde diferentes enfoques Calvin, spanner  
16.6.3. Serializabilidad  

16.7. Particionado  

16.7.1. Tipos de particionado  
16.7.2. Índices en particiones
16.7.3. Rebalanceado de particiones 

16.8. Procesamiento por lotes  

16.8.1. El procesamiento por lotes  
16.8.2. MapReduce  
16.8.3. Enfoques posteriores a MapReduce  

16.9. Procesamiento de flujos de datos  

16.9.1. Sistemas de mensajes  
16.9.2. Persistencia de flujos de datos  
16.9.3. Usos y operaciones con flujos de datos

16.10. Casos de uso. Twitter, Facebook, Uber  

16.10.1. Twitter: el uso de caches  
16.10.2. Facebook: modelos no relacionales  
16.10.3. Uber: diferentes modelos para diferentes propósitos 

Módulo 17. Administración de sistemas para despliegues distribuidos   

17.1. Administración clásica.  El modelo monolítico  

17.1.1. Aplicaciones clásicas. Modelo monolítico  
17.1.2. Requisitos de sistemas para aplicaciones monolíticas  
17.1.3. La administración de sistemas monolíticos  
17.1.4. Automatización  

17.2. Aplicaciones distribuidas. El microservicio  

17.2.1. Paradigma de computación distribuida  
17.2.2. Modelos basados en microservicios  
17.2.3. Requisitos de sistemas para modelos distribuidos  
17.2.4. Aplicaciones monolíticas vs. aplicaciones distribuidas  

17.3. Herramientas para la explotación de recursos  

17.3.1. Gestión del “hierro”  
17.3.2. Virtualización  
17.3.3. Emulación  
17.3.4. Paravirtualización  

17.4. Modelos IaaS, PaaS y SaaS  

17.4.1. Modelo IaaS  
17.4.2. Modelo PaaS  
17.4.3. Modelo SaaS  
17.4.4. Patrones de diseño  

17.5. Containerización  

17.5.1. Virtualización con cgroups  
17.5.2. Containers  
17.5.3. De la aplicación al contenedor  
17.5.4. Orquestación de contenedores  

17.6. Clusterización  

17.6.1. Alto rendimiento y alta disponibilidad  
17.6.2. Modelos de alta disponibilidad  
17.6.3. Clúster como plataforma SaaS  
17.6.4. Securización de clústers  

17.7. Cloud computing  

17.7.1. Clústers vs. clouds  
17.7.2. Tipos de clouds  
17.7.3. Modelos de servicio en cloud  
17.7.4. Sobresuscripción  

17.8. Monitorización y testing  

17.8.1. Tipos de monitorización  
17.8.2. Visualización  
17.8.3. Tests de infraestructura  
17.8.4. Ingeniería del caos  

17.9. Caso de estudio: Kubernetes  

17.9.1. Estructura  
17.9.2. Administración  
17.9.3. Despliegue de servicios  
17.9.4. Desarrollo de servicios para K8S 

17.10. Caso de estudio: OpenStack  

17.10.1. Estructura  
17.10.2. Administración  
17.10.3. Despliegues  
17.10.4. Desarrollo de servicios para OpenStack 

Módulo 18. Gestión de proyectos y metodologías agile   

18.1. Dirección y gestión de proyectos   

18.1.1. El proyecto  
18.1.2. Fases de un proyecto  
18.1.3. Dirección y gestión de proyectos  

18.2. Metodología PMI para la gestión de proyectos  

18.2.1. PMI (Project Management Institute)  
18.2.2. PMBOK  
18.2.3. Diferencia entre proyecto, programa y porfolio de proyectos  
18.2.4. Evolución de las organizaciones que trabajan con proyectos  
18.2.5. Activos de los procesos en las organizaciones  

18.3. Metodología PMI para la gestión de proyectos: Procesos   

18.3.1. Grupos de procesos  
18.3.2. Áreas de conocimiento  
18.3.3. Matriz de procesos  

18.4. Metodologías Agile para la gestión de proyectos  

18.4.1. Contexto VUCA (Volatilidad, incertidumbre, complejidad y ambigüedad)  
18.4.2. Valores Agile  
18.4.3. Principios del manifiesto Agile  

18.5. Framework Agile SCRUM para la gestión de proyectos   

18.5.1. Scrum  
18.5.2. Los pilares de la metodología Scrum  
18.5.3. Los valores en Scrum  

18.6. Framework Agile SCRUM para la gestión de proyectos. Proceso  

18.6.1. El proceso de Scrum  
18.6.2. Roles tipificados en un proceso Scrum  
18.6.3. Las ceremonias en Scrum  

18.7. Framework Agile SCRUM para la gestión de proyectos. Artefactos   

18.7.1. Artefactos en un proceso Scrum   
18.7.2. El Equipo Scrum  
18.7.3. Métricas para evaluación del rendimiento de un equipo Scrum  

18.8. Framework Agile KANBAN para la gestión de proyectos. Método Kanban  

18.8.1. Kanban  
18.8.2. Beneficios de Kanban  
18.8.3. Método Kanban. Elementos  

18.9. Framework Agile KANBAN para la gestión de proyectos. Prácticas del método Kanban  

18.9.1. Los valores de Kanban  
18.9.2. Principios del método Kanban  
18.9.3. Prácticas generales del método Kanban  
18.9.4. Métricas para evaluación del rendimiento de Kanban  

18.10. Comparación: PMI, SCRUM y KANBAN   

18.10.1. PMI – SCRUM  
18.10.2. PMI – KANBAN  
18.10.3. SCRUM – KANBAN 

Módulo 19. Comunicación, liderazgo y gestión de equipos  

19.1. Desarrollo organizativo en la empresa  

19.1.1. Clima, cultura y desarrollo organizativo en la empresa  
19.1.2. La gestión del capital humano  

19.2. Modelos de dirección. Toma de decisiones  

19.2.1. Cambio de paradigma en los modelos de dirección  
19.2.2. Proceso directivo de la empresa tecnológica  
19.2.3. Toma de Decisiones. Instrumentos de planificación  

19.3. Liderazgo. Delegación y empowerment  

19.3.1. Liderazgo  
19.3.2. Delegación y empowerment  
19.3.3. Evaluación del desempeño 

19.4. Liderazgo. Gestión del talento y del compromiso  

19.4.1. Gestión del talento en la empresa  
19.4.2. Gestión del compromiso en la empresa  
19.4.3. Mejora de la comunicación en la empresa  

19.5. Coaching aplicado a la empresa  

19.5.1. Coaching directivo  
19.5.2. Coaching de equipos  

19.6. Mentoring aplicado a la empresa  

19.6.1. Perfil del mentor  
19.6.2. Los 4 procesos de un programa de mentoring  
19.6.3. Herramientas y técnicas en un proceso de mentoring  
19.6.4. Beneficios del mentoring en el ámbito de la empresa  

19.7. Gestión de equipos I. Las relaciones interpersonales  

19.7.1. Relaciones interpersonales  
19.7.2. Estilos relacionales: enfoques  
19.7.3. Reuniones efectivas y acuerdos en situaciones difíciles  

19.8. Gestión de equipos II. Los conflictos  

19.8.1. Los conflictos  
19.8.2. Prevenir, afrontar y resolver el conflicto  

    19.8.2.1. Estrategias para prevenir el conflicto  
    19.8.2.2. La gestión de conflictos. Principios básicos      

19.8.3. Estrategias para resolver conflictos  
19.8.4. Estrés y motivación laboral  

19.9. Gestión de equipos III. La negociación  

19.9.1. La negociación en el ámbito directivo de las empresas tecnológicas  
19.9.2. Estilos de negociación  
19.9.3. Fases de la negociación  

    19.9.3.1. Barreras a superar en las negociaciones  

19.10. Gestión de equipos IV. Técnicas de negociación  

19.10.1. Técnicas y estrategias de negociación  

    19.10.1.1. Estrategias y principales tipos de negociación  
    19.10.1.2. Tácticas de negociación y cuestiones prácticas  

19.10.2. La figura del sujeto negociador

estudiar mba data science

No dejes pasar la oportunidad de marcar un antes y un después en tu carrera profesional y matricúlate ya en este Grand Master MBA en Data Science Management”