Especialidad en Business intelligence: Big Data (Online)

La especialización en Big Data se ha convertido actualmente, en uno de los perfiles profesionales más demandados, ya que multitud de empresas de diferentes sectores buscan profesionales expertos en Big Data y análisis de datos, capaces de utilizar la información para tomar decisiones estratégicas dentro de un negocio.

Estudiar una Especialidad en Business Intelligence: Big Data, es la clave para adquirir todos los conocimientos y herramientas, con los que aprenderás a tener una visión mucho más global respecto a la procedencia de datos, y podrás hacer frente a los nuevos retos relacionados con el área de compras y ventas, a través del Business Intelligence.

DESCARGAR PROGRAMA

Nuestra Especialidad en Business Intelligence: Big Data te capacita para desarrollar tu carrera profesional en un campo muy amplio, y en un sector lleno de posibilidades. En el momento actual que nos encontramos, es una buena manera para afrontar con éxito un nuevo horizonte profesional, con muchas probabilidades de éxito.

Además, gracias a los datos que proporciona el Big Data, serás capaz de analizar y predecir el comportamiento que un usuario tendrá en Internet, conocer lo qué los clientes piensan sobre una marca o un producto, y cuáles son sus necesidades reales sobre la adquisición de productos o servicios.

INTRODUCCIÓN A LA TECNOLOGÍA BIG DATA

• Objetivo: el estudiante obtendrá una visión general sobre los motivos que han llevado a la creación de las tecnologías Big Data. Se le ofrecerá un marco-guía conceptual que le permitirá estructurar cada tipo de tecnología en los niveles de datos, información y conocimiento. Con este marco, se presentarán las necesidades que aparecen en cada nivel y las soluciones que han ido apareciendo, desde las tecnologías ETL hasta la inteligencia artificial y sistemas cognitivos.

• Esquema del módulo:
  • La fascinación por el dato
    • Historia de la información
    • La evolución de las tecnologías del conocimiento
      • Estadística
      • Business Intelligence
      • Small Data, Big Data, Smart Data, Fast Data
    • La Explosión del dato del siglo XX-XXI
      • Por qué en el siglo XX se ha vuelto tan importante el dato
      • Los culpables: la capacidad de computación, el abaratamiento del almacenamiento, internet y los móviles
    • La respuesta: Big Data
      • Definición
      • Las V’s del Big Data
      • Nuevo territorio: lo que importa es la pregunta
      • La evolución de la analítica: descriptiva, predictiva, prescriptiva
      • La pirámide del conocimiento: la diferencia entre el dato, la información y el conocimiento
    • Mapa de la arquitectura Big data
      • Los tres niveles: datos, información y conocimiento
      • Las dos dimensiones: interno-externo
    • Nivel del dato:
      • Tecnologías ETL
      • Del ETL al ELT
      • Datos estructurados y no estructurados
      • La evolución del tipo de dato disponible
    • Nivel de información
      • SQL v NoSQL
      • Sistemas centralizados frente a sistema distribuidos
      • Hadoop básico
        • HDFS
        • Map Reduce
        • Ecosistema Hadoop
      • Spark
        • Comparativa con Hadoop
        • Ecosistema Spark
      • Arquitecturas lambda y Kappa
      • On premise y cloud
        • La nube y los servicios IaaS, PaaS y SaaS
        • Arquitectura Híbrida
      • Nivel del Conocimiento
        • El proceso general de análisis y herramientas utilizadas
        • La importancia de la visualización y herramientas
        • Herramientas de análisis
        • Inteligencia artificial
          • Inteligencia artificial débil y fuerte
          • Diferenciemos entre inteligencia artificial, machine learning y deep learning
          • Tipos de machine learning
            • Aprendizaje supervisado
            • Aprendizaje no supervisado
            • Aprendizaje por refuerzo
          • Deep learnig: ¿qué es una red neuronal?
          • Sistemas cognitivos
        • Caso práctico: Introducción a la visualización con Tableau
          • Objetivo: que los alumnos conozcan una herramienta que les permitirá explorar los datos disponibles a través de la visualización. También aprenderán la necesidad de tratamiento de los datos y la selección de los mejores elementos de visualización para cada tipo de datos

• Metodología: a través de un tutorial aprenderán los conceptos básicos para realizar un cuadro de mandos que explore un conjunto de datos de prueba

CULTURA DATA DRIVEN

• Objetivo: hacer que el estudiante sea consciente de que el verdadero potencial de transformación del Big Data es un proceso de cambio cultural y organizacional de las compañías. El verdadero motor del cambio que hace que las tecnologías Big Data sean útiles y aplicables son las personas. Es necesario un programa de transformación dominado por nuevos procesos (Data Centric, Data Thinking y Data by Design). Para que eso sea posible deben utilizarse y modificarse tecnologías de diseño y desarrollo de producto (Design Thinking y tecnologías Agile) para que de esta forma se pueda entregar valor continuo. Esto exige cambios organizacionales profundos que conlleven una cultura del dato que se extienda a toda la organización.

• Esquema del módulo:
  • Lo importante son las personas
    • Evolución y parición de nuevos roles
    • El “Data Translator”, un nuevo rol clave
  • Repasemos los niveles de la pirámide del conocimiento: hace falta la acción
  • Es necesario llegar a ser una empresa Data Driven
    • Dejar atrás la gestión HiPPO
    • Procesos de transformación
      • Data Centric
      • Data Thinking
      • Data by Design
      • Fata Governance
    • Pero antes es necesario saber dónde estamos el assesment
    • Proceso Data Centric
      • Evolución de la posición del dato dentro de la empresa
      • El Dato se convierte en el centro
    • Proceso Data by Design
      • Lo importante es saber qué quiere el cliente
      • Marco metodológico fundamental: Design Thinking
        • Qué es el Design Thinking
        • Algunas herramientas utilizadas
        • Pero es necesario modificarlo para dejar entrar al dato
      • Cómo lo lanzamos
        • El mínimo producto viable: lo importante es dar valor continuo al cliente
        • Tecnologías Agile-Scrum
      • Relación entre Design Thinking y Agile: ciclo de evolución continuo
    • Data Thinking
      • La cultura del dato en la empresa
      • Cambios organizacionales necesarios: modelo Spotify
      • Data culture: todos los miembros de una organización deben enfocarse al valor del dato
    • Casos de Uso de Big Data
    • Nueva fuente de ingresos: la compartición de datos
      • El dato como producto
      • El nuevo marco de privacidad
    • Y surgió el RGPD
      • Conceptos básicos
      • El consentimiento dentro del RGPD
      • Qué es un tratamiento: el encargado y el responsable de tratamiento
      • Uso legítimo
      • Principios de responsabilidad
      • Derechos del usuario: el nuevo derecho de portabilidad y de no utilización de procesos automatizados

• Caso práctico: uso de Tableau (o Google analytics) para análisis de un e-commerce (u otro tipo de web)
  • Objetivo: que los alumnos profundicen en el uso de la visualización como herramienta fundamental para obtener pistas de la marcha de una empresa online

• Metodología: a través de un tutorial aprenderán los conceptos básicos que deberán aplicar sobre los datos de una página web.

INTRODUCCIÓN AL DATA MINING

• Objetivo: El objetivo de esta sesión es que el alumno conozca de primera mano algunas de las técnicas de modelado y data mining que se suelen aplicar en el entorno de Big Data. A través de diversos ejemplos de necesidades de negocio, se analizará una de las posibles formas de abordarla, implementando un modelo sencillo pero clarificador: el modelo CRISP-DM. Con esos mismos ejemplos se verán las diversas problemáticas y puntos críticos a tener en cuenta en todo proceso de análisis de datos.

• Esquema del módulo:
  • Metodología CRISP-DM
  • Introducción a Rapid Miner: conceptos básicos
  • Preparación de datos
  • Modelos clasificatorios y predictivos
  • Correlación: que dos variables tengan relación puede no decir nada
    • Realizar una matriz de correlación
    • Entender una matriz de correlación
    • Correlación positiva y negativa
    • Correlación no indica causalidad
    • ¿Qué podemos hacer con esa información?
  • Reglas de asociación: ¿qué cosas suelen ir juntas?
    • Entender el funcionamiento de un modelo de asociación
    • Porcentaje de Soporte y de Confianza
    • Usar las reglas de asociación
  • Clusterización: ¿hay diversos grupos de clientes?
    • El algoritmo K-means
    • Cómo funciona y qué significa la K
    • Concepto de centroide
  • Análisis discriminante: empezamos a predecir
    • Explicación de análisis discriminante
    • Concepto de datos de entrenamiento y de datos de scoring
    • Flujo de entrenamiento y flujo de scoring
    • Explicación del nivel de confianza
  • Regresión lineal: una forma de predecir una variable continua
    • Explicación del modelo de regresión lineal
    • Entender los pesos en una regresión lineal
    • ¿Qué podemos hacer con los resultados?
  • Regresión logística: cuando hay que decir entre dos opciones
    • Explicación del modelo de regresión logística
    • También aparece pesos ¿pero significan algo?
    • Explicación del nivel de confianza
    • ¿Qué podemos hacer con los resultados?
  • Árboles de decisión: ¿en dónde cae este cliente?
    • Concepto de árbol de decisión
    • Nodos, ramas y hojas
    • Profundidad del árbol
    • Navegar en un árbol de decisión
    • Comprender un árbol y aplicarlo
  • Redes Neuronales: simulando el pensamiento humano
    • Explicando en lo posible una red neuronal
    • Aplicar una red neuronal
  • Introducción al análisis de textos
    • Análisis comparativo de textos
    • Conceptos básicos
    • Diccionarios, stop words
    • Sinónimos y palabras de la misma familia
    • Combinación de palabras
    • Reemplazo de palabras
  • Validación cruzada: ¿cómo podemos saber si el modelo funciona?
    • Qué es una validación cruzada
    • Concepto de falso positivo
  • La ética en el data mining
    • No siempre los modelos son “justos”
    • Que puedas predecir no quiere decir que debas obligar
    • Cuidado con los sesgos
    • No todos los análisis se pueden hacer

• Caso práctico: uso de Rapid Miner para hacer data mining
  • Objetivo: que los alumnos utilicen lo aprendido para resolver algún tipo de problema basado en datos
• Metodología: se propondrá un conjunto de datos para que los alumnos utilicen los modelos estudiados.

DATA BY DESIGN

• Objetivo: hacer que el estudiante se enfrente desde el punto de vista de negocio cómo definir y resolver un problema de negocio en donde los datos y el uso de la información puedan aportar algún tipo de mejora o solución. Mediante una nueva metodología, se trata de crear un proceso “Design Thinking-like” que defina unas etapas graduales para comprender el problema, las lagunas de datos que la empresa tiene, el impacto que tiene en el customer journey y la experiencia del cliente, y proponer un nuevo “Data Journey” que mejore esa experiencia. Al final el estudiante tendrá definido todo el contexto del problema y tendrá unas preguntas e hipótesis guía que dirijan el desarrollo del proyecto de mejora.

• Esquema del módulo:
  • Módulo 1: definir el problema que se quiere resolver
    • ¿Cuál es el problema principal que estás intentando solucionar y por qué es importante?
    • Contexto: ¿Qué factores contribuyen al problema?
    • Personas: ¿A quién le afecta directamente?
    • Personas que trabajan en el problema: ¿Quién está trabajando actualmente en el problema?
    • ¿Con que frecuencia se toman las decisiones sobre la resolución del problema por parte de las personas que trabajan actualmente en el mismo?
    • Datos existentes: ¿Qué datos, relevantes a este problema, existen actualmente?
    • De forma general, ¿cuál es la periodicidad, retardo y granularidad (geográfica, demográfica, temporal, otras) de los datos existentes?
    • Nuevas fuentes de datos potenciales para la solución: Basados en los factores antes mencionados, ¿qué datos nuevos o adicionales podrían potencialmente aportar nuevos puntos de vista
    • Preguntas guía
  • Módulo 2: inventariar y comprender las lagunas en los datos
    • Datos existentes sobre el problema
    • Para cada fuente de datos, contesta las siguientes preguntas:
    • ¿Está disponible abiertamente, o requiere un permiso especial de acceso?
    • ¿Es estructurada o no estructurada?
    • ¿Con qué frecuencia se recogen los datos?
    • ¿Cómo son de granulares o detallados geográficamente los datos (ALTO, MODERADO, BAJO)?
    • ¿Cómo son de granulares o detallados demográficamente los datos (ALTO, MODERADO, BAJO)?
    • ¿Cuánto tiempo se almacenan?
    • ¿Las personas actualmente implicadas lo usan para la toma de decisiones, evaluación o para otros propósitos?
    • Otros datos organizacionales: ¿Qué otros datos usa tu organización en la operativa del día a día y en la planificación a largo plazo?
    • Identificación de lagunas
  • Módulo 3: mapear a todos los participantes en el proyecto
    • Clientes/usuarios, Solucionadores, Soportes, Otras Personas
    • ¿Cuál es su influencia en el problema?
    • ¿Cuál es su influencia en el proyecto?
    • ¿Cómo puede beneficiarse del proyecto?
    • ¿Cómo los datos ayudan ahora a su toma de decisiones?
    • ¿Qué podría hacer esta persona con mejores datos?
    • ¿Qué podría hacer para socavar el proyecto?
    • ¿Cuál es la mejor forma de mantenerle comprometido?
    • La Ficha Personas
    • Mapa de influencia
  • Módulo 4: comprender quién usará los resultados del proyecto
    • Data Journey actual
    • Análisis de mejoras
    • Diseño del Data Journey nuevo
  • Módulo 5: identificar tu lista de deseos respecto a los datos y definir tus hipótesis de trabajo
    • Resumen de todo el análisis
    • La herramienta de conceptualización del proyecto
      • ¿A quién va a ayudar el proyecto de innovación basada en el dato y qué esperas que sean capaces de hacer gracias al proyecto?
      • Escribe una definición clara y concisa del problema
      • ¿Qué fuentes de datos persigues para cumplir tus objetivos? Rellena la plantilla siguiente con esa información (repite la plantilla tantas veces como fuentes de datos hayas detectado).
      • Ajusta tus Preguntas Guía: ¿Podemos usar [la fuente de datos X] para profundizar en [en el aspecto Y del problema]?
      • Ajusta tus Hipótesis: Ya que sabemos que [hechos A] sobre [las(s) fuente(s) de datos X], creemos que podemos usar [datos específicos B] para abordar [el indicador del problema C]. Validaremos nuestros resultados en comparación a [datos existentes D].
    • Ejemplos de problemáticas

CASO PRÁCTICO: USO DE METODOLOGÍA DATA BY DESIGN PARA RESOLVER UNA PROBLEMÁTICA DEL TFM

• Objetivo: que los alumnos utilicen la metodología explicada para resolver un problema dentro del alcance del TFM que entregaron en el máster
• Metodología: los alumnos deberán proponer una problemática asociada a su TFM que presentaron en el master y deberán seguir los pasos indicados para proponer una mejora basado en el uso del dato y de la información disponible.

Nuestros alumnos dispondrán de herramientas que acrediten nuestro material y que aportara certificados reconocidos y que permitan ampliar la titulación obtenida. Empresas como Google, Oracle, Amadeus, Facebook, Mailchimp, se asociarán con nosotros en diferentes áreas de conocimiento.

Campus Presencial

EUDE Digital es el punto de encuentro de líderes de diversas partes del mundo. Lugar donde, además, se llevan a cabo conferencias, eventos, seminarios y charlas concebidas exclusivamente para que nuestros alumnos puedan enriquecer su networking desde el primer día.

Más de 9,000m2 distribuidos entre aulas, zonas comunes, salas de estudio, cafetería y estacionamiento. El acceso al campus tiene conexiones directas de transporte público (estaciones de metro, autobuses y taxis).

Campus Virtual

El 95% de nuestros alumnos mejora su situación laboral. En EUDE Digital no solo nos preocupa tu formación académica, queremos que te conviertas en un líder en el entorno digital.

Mantenemos acuerdos con las mejores empresas del sector digital a nivel nacional e internacional. Más de 1.200 convenios activos con los que proporcionarte el mejor futuro laboral y las mejores oportunidades para desarrollar tu carrera profesional.