Máster en Business Intelligence y Big Data

La transformación digital ha revolucionado la forma en que las empresas operan, generando la necesidad de analizar datos de manera efectiva para identificar oportunidades, amenazas y tomar decisiones estratégicas sólidas. En el Instituto Europeo de Posgrado, hemos diseñado nuestro Máster en Business Intelligence y Big Data para ayudarte a desarrollar las habilidades necesarias en este campo en constante evolución.

Estudiantes recién graduados: aquellos que hayan completado recientemente sus estudios de grado en diversas áreas y estén interesados en adquirir competencias en inteligencia de negocio, herramientas de Big Data y gobierno del dato. Deben complementar su formación con prácticas profesionales asociadas al programa.

Profesionales con experiencia: con al menos 3 años de experiencia en cualquier área empresarial que deseen familiarizarse con Business Intelligence y Big Data para avanzar en su carrera profesional.

Formar a nuestros estudiantes en diversas áreas de conocimiento relacionadas con el Business Intelligence, permitiéndoles adaptarse a la transformación digital que las empresas están experimentando.

Equipar a nuestros alumnos con las habilidades necesarias para el tratamiento de datos masivos, lo que les permitirá descubrir patrones, tendencias de mercado, analizar y predecir el comportamiento de los usuarios, conocer las necesidades reales de los clientes, entre otros aspectos fundamentales.

Asignaturas comunes

Introducción al Business Intelligence y Big Data (6 ECTS)
Fundamentos del Business Intelligence
El valor de los datos
Fundamentos del Big Data
Desarrollo de una Estrategia de Datos
Elementos clave para el Gobierno y Gestión de los datos
Organización Data Driven. Retos y oportunidades.

Herramientas de Big Data y Gobierno del Dato (6 ECTS)
Almacenamiento y procesamiento de la información
Información estructurada
Tecnologías Big Data
Análisis y visualización de la información
Herramienta SAS Visual Analytics
Gobierno del Dato.

Big Data Dentro de la Informática (6 ECTS)
Capacidad de procesamiento y paralelización extrema. Arquitecturas GPU vs CPU. Núcleos Cuda. Escalabilidad.
Entornos de trabajo para arquitecturas Deep Learning. Tensor Flow, Keras, Pytorch.
Aprendizaje supervisado y no supervisado. Entrenamiento. Ejecución y Distribución de modelos. Inteligencia Artificial.
Regresiones. Series temporales autorregresivas. Clusterización, kmeans.
Arboles de decisión: Random Forest. Xgboost.
Redes neuronales, Perceptrón Multicapa. Redes Convolucionales.

Técnicas de Datamining para el Negocio: (6 ECTS)
Planteamiento del problema. Análisis supervisado: regresión y clasificación. Análisis no supervisado.
Preparación de datos en análisis supervisado. Entrenamiento, validación y test.
Validación cruzada (cross validation).
Regresión lineal y logística.
Arboles de decisión.
Redes neuronales: perceptrón multicapa.
Evaluación de resultados: curva ROC, lift chart, AUC, Accuracy, F-score, MSE…
Dicotomía sesgo – varianza en data mining. Curva de aprendizaje.
Análisis no supervisado: PCA y K-means.

Casos de uso Data Management: (6 ECTS)
Definición de procesos de negocio. BMP’s y principales KPI’s.
Remodelización. Del Modelo relacional al Modelo en estrella. Desnormalizaciones. Bucles.
Procesos ETL (Extracción Transformación y Carga). Cargas masivas. Staging.
Historificación. Agregados.
Herramientas: ETLs open y comerciales. Herramientas de auto gestión. Business Objects.
Algoritmos de optimización.
Caso de uso. Monitorización en tiempo real de web de ventas vía ingesta de logs (desestructurado) y datos de ventas (estructurado).

Casos de uso en Finanzas: (6 ECTS)
El dato a la información: de la métrica al KPI y las medidas de la vanidad.
La selección y reducción de datos: informes periódicos- informes ad hoc. Coste de mantener más información de la necesaria y oportunidades de la automatización.
Herramientas de seguimiento del negocio: evolutivos, year to date, grados de cumplimiento, rentabilidad, amortización, Payback/ROI.
Series temporales, estacionalidad, comparación con el pasado y grupos de control.

Casos de uso en Marketing: (6 ECTS)
Modelos de Churn. Detectar posibles fugas de clientes antes de que sea demasiado tarde…
Modelos de valoración “inteligente” de clientes (Customer Life Time Value)
Crosselling y Upselling. Vincular y desarrollar al cliente.
Casos de uso no supervisado. Análisis cluster y PCA. Conociendo al cliente.
Marketing Modeling Mix. Evaluar el impacto de la inversión en medios y cómo optimizarla.

Herramientas y Profesionales de BIBD (6 ECTS)
El nuevo paradigma: open data y open source
Principales repositorios de open data
Landscape de herramientas de Data mining y Big Data
El nuevo científico de datos en las tres esferas: matemática/estadística, informática y conocimiento del negocio
La cultura de empresa en recursos humanos para incentivación, retención y actualización del talento.

Bases de datos Relacionales y no Relacionales (6 ECTS)
Metodologías. Modelo Entidad Relación. Normalización. Técnicas de modelado.
Estructura básica de una BBDD relacional. Patrones de diseño. Transacciones. Implementaciones Físicas.
Bases de Datos operacionales vs Datawarehouse. Modelos en estrella y desnormalizaciones.
Principales engines actuales. Comparativa y campos de aplicación: Oracle, Microsoft, Mysql, MariaDB, Postgresql, Teradata, Vertica.
Caso práctico: Modelización de un catálogo de productos para track de ventas.
BBDD no relacionales. Paradigmas de procesamiento masivo: Apache Hbase. HDFS . Hadoop. Map Reduce.
Deep Learning. GPU, Núcleos cuda y procesamiento matricial. Frameworks en detalle: Tensor Flow, Keras, Pytorch.

Lenguajes de Programación de Nuevo Entorno (6 ECTS)
De C a Spark. Conceptos claves en los lenguajes de programación en la Ciencia de Datos. Eficiencia, compatibilidad, curvas de aprendizaje. Tendencias actuales.
Herramientas de desarrollo. Principales IDEs de Programación en la ciencia de datos: Eclipse, R-Studio, Spyder, Jupyter Notebook.
Caso práctico. Cotizaciones Nasdaq con python bajo Jupyter. Ingesta, tratamiento y visualización.
On Promise, Hosting y Cloud. Definiciones y modelos. Mantenimiento, escalabilidad y despliegues.
Cloud. Principales actores. Productos sobre cloud. Soluciones llave en mano.
Caso práctico AWS.

Storytelling del Dato
Optimización en la petición de la información: estados, fechas, clientes.
Introducción a Power Bi
Conexión con fuentes de datos
Objetos visuales Power Bi, posibilidades y mejores combinaciones para la narrativa.
Fuentes en Tableau
Visualización en Tableau

Proyecto Fin de Programa (8 ECTS)

Científico de datos
Business Analyst Manager
Chief Data Officer
Application architect
Operations Research Analyst
Analista en business intelligence