Curso
Especialidad en Business Intelligence: Big Data (2 meses)
Emisor: EUDE Business School
240 horas
·Intermedio
·Español
Programa certificado por ARP
Diploma ARP de validez internacional
Valoraciones de alumnos verificados
Precio a consultar
![](/media/qnblulyj/miniaturas-21.png?format=webp)
- El concepto de dato como valor estratégico.
- Conceptos aledaños.
Requisitos:
No existen requisitos previos.
240 horas en total
Descargar programa- 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
-
- 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
- Lo importante son las personas
- 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
- 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
- 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
- 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.
- Becas y ayudas. EUDE Business School ha diseñado un Plan de Becas y Ayudas al Estudio con el único objetivo de proporcionar una mayor flexibilidad económica y respaldar las necesidades de cada alumno.
¿Quieres más información?
Completa este formulario y la academia se pondrá en contacto contigo.
¿Quieres más información?
Completa este formulario y la academia se pondrá en contacto contigo.
¿Algo no está bien?
Si has encontrado en este curso información que no está bien puedes reportar una incidencia aquí.