Saltar al contenido
En colaboración con
Formación online Hasta el 100% Bonificado

Máster en Inteligencia de Negocios y Análisis de Datos + 60 Créditos ECTS

Duración total 1500 horas
Créditos 60 ECTS
Modalidad Online
Convocatoria Abierta
Descargar Dossier

Precio 2.295 €

Solicitar información

Resumen del curso

Descripción

Muchas organizaciones acumulan datos de ventas, clientes, operaciones y canales digitales que nunca llegan a convertirse en decisiones. Este Máster en Inteligencia de Negocio y Big Data Analytics te forma para cubrir todo ese recorrido: desde la consulta y el modelado del dato hasta su análisis, su visualización y su uso en la dirección de la empresa. Trabajarás con SQL y Python, estadística aplicada, Data Warehouse y modelado dimensional, cubos OLAP y arquitecturas cloud y lakehouse con Microsoft Fabric, y diseñarás cuadros de mando con Power BI y Tableau. También aprenderás a aplicar machine learning predictivo a casos como el abandono de clientes o la previsión de demanda, a medir el valor del cliente y a integrar la IA generativa y los LLM en el análisis. Todo ello con un enfoque de gobierno y calidad del dato y DataOps, para que tus análisis sean fiables. Al terminar, podrás convertir datos dispersos en indicadores, previsiones y recomendaciones que la dirección pueda usar desde el primer día.

Objetivos

  • Dominar SQL y Python (pandas) para extraer, limpiar, transformar y automatizar el tratamiento de datos de negocio.
  • Aplicar estadística descriptiva e inferencial, regresión, series temporales y pruebas A/B para fundamentar decisiones empresariales.
  • Diseñar modelos dimensionales, Data Warehouses y cubos OLAP, e integrarlos en arquitecturas cloud y lakehouse como Microsoft Fabric.
  • Construir cuadros de mando ejecutivos con Power BI (DAX) y Tableau, con KPI financieros, comerciales, operativos, de cliente y de analítica web, y comunicar los hallazgos con data storytelling.
  • Desarrollar modelos de machine learning predictivo para churn, segmentación y forecasting, y evaluar su rendimiento, sus sesgos y su explicabilidad.
  • Implantar prácticas de gobierno y calidad del dato y DataOps, e incorporar la IA generativa y los LLM al análisis y al reporting.

¿Para qué te prepara?

Te prepara para asumir las funciones de un perfil de inteligencia de negocio de principio a fin: identificar qué necesita saber la dirección y traducirlo en KPI, extraer e integrar datos de fuentes diversas con SQL, Python y procesos ETL y ELT, modelar la información en un Data Warehouse o en un entorno lakehouse y construir informes y cuadros de mando que se actualicen de forma automática. Podrás analizar el ciclo de vida y el valor del cliente, diseñar e interpretar pruebas A/B, preparar previsiones de ventas y demanda y aplicar modelos predictivos a problemas como el abandono de clientes. Además, sabrás velar por la calidad, la trazabilidad y la seguridad de los datos que usas, apoyarte en copilotos e IA generativa para acelerar el análisis y presentar las conclusiones a perfiles no técnicos de forma clara y accionable.

¿A quién va dirigido?

Este máster está pensado para analistas de datos, de negocio o de reporting que quieren pasar de las hojas de cálculo y los informes manuales a un entorno de BI completo, con SQL, Python, modelado de datos y cuadros de mando. También se dirige a titulados y profesionales de administración de empresas, economía, ingeniería, estadística o informática que quieren especializarse en analítica de datos aplicada a la toma de decisiones, y a responsables de áreas como finanzas, marketing, ventas u operaciones que necesitan medir, prever y justificar sus decisiones con datos. No necesitas experiencia previa en programación: el temario parte de los fundamentos de Python y SQL.

Salidas profesionales

Podrás optar a puestos como analista de Business Intelligence, desarrollador de BI con Power BI o Tableau, analista de datos de negocio, analytics engineer, especialista en modelado de datos y Data Warehouse, analista de cliente o de CRM, analista de producto y analítica digital, responsable de reporting y control de gestión basado en datos, data steward o especialista en calidad y gobierno del dato, y consultor de BI e implantación de plataformas de datos. Estos perfiles tienen cabida en los departamentos de finanzas, marketing, ventas, operaciones y sistemas de empresas de cualquier sector, así como en consultoras tecnológicas y de negocio. Con experiencia, podrás evolucionar hacia puestos como jefe de BI, responsable de analítica o gestor de proyectos de datos

Temario

MÓDULO 1. ESTRATEGIA DE DATOS Y TRANSFORMACIÓN DIGITAL DE LA EMPRESA
UNIDAD DIDÁCTICA 1. TRANSFORMACIÓN DIGITAL Y EL DATO COMO FUENTE DE VENTAJA COMPETITIVA
  1. Dimensiones de la transformación digital: procesos, modelo de negocio, clientes y cultura
  2. El dato como activo estratégico y su papel en la ventaja competitiva
  3. Causas habituales de fracaso en la transformación digital y cómo anticiparlas
UNIDAD DIDÁCTICA 2. MODELOS DE NEGOCIO DIGITALES Y MONETIZACIÓN DEL DATO
  1. Análisis y rediseño del modelo de negocio con Business Model Canvas
  2. Modelos de negocio digitales: plataformas, suscripción, freemium y SaaS
  3. Estrategias de monetización del dato: optimización interna, productos de datos y servicios basados en datos
UNIDAD DIDÁCTICA 3. DIAGNÓSTICO DE MADUREZ DIGITAL Y ANALÍTICA DE LA ORGANIZACIÓN
  1. Modelos de madurez digital y analítica: niveles y criterios de evaluación
  2. Evaluación de capacidades en personas, procesos, tecnología y datos
  3. Vigilancia tecnológica e inteligencia competitiva para detectar oportunidades
  4. Minería de procesos para localizar ineficiencias operativas
UNIDAD DIDÁCTICA 4. ESTRATEGIA DE DATOS ALINEADA CON LOS OBJETIVOS DE NEGOCIO
  1. Traducción de la estrategia corporativa en una estrategia de datos: objetivos, alcance y principios
  2. Estrategias de datos ofensivas y defensivas: equilibrio entre explotación y control del dato
  3. Identificación y priorización de casos de uso de datos e IA con la matriz valor-viabilidad
UNIDAD DIDÁCTICA 5. CASO DE NEGOCIO Y FINANCIACIÓN DE INICIATIVAS DE DATOS
  1. Estimación de costos y beneficios de un proyecto de datos
  2. Cálculo del retorno de la inversión (ROI) y del periodo de recuperación
  3. Gestión del portafolio de iniciativas digitales y fuentes de financiación
UNIDAD DIDÁCTICA 6. ORGANIZACIÓN, TALENTO Y GESTIÓN DEL CAMBIO HACIA UNA EMPRESA DATA-DRIVEN
  1. Modelos organizativos del área de datos: centralizado, descentralizado y federado (hub and spoke)
  2. Roles del equipo de datos y analítica: CDO, ingeniería de datos, analytics engineer, BI y ciencia de datos
  3. Programas de alfabetización de datos por perfil profesional
  4. Gestión del cambio organizativo con los modelos ADKAR y de Kotter
UNIDAD DIDÁCTICA 7. HOJA DE RUTA DE LA TRANSFORMACIÓN Y EJECUCIÓN ÁGIL
  1. Elaboración del roadmap: fases, hitos, dependencias y victorias rápidas
  2. Gestión ágil de iniciativas de datos con Scrum y Kanban
  3. Seguimiento del plan: indicadores de avance y de impacto de la transformación
MÓDULO 2. BIG DATA Y STORYTELLING
UNIDAD DIDÁCTICA 1. STORYTELLING
  1. ¿Qué es el Data Storytelling?
  2. Elementos clave del Data Storytelling
  3. ¿Por qué es importante el Data Storytelling?
  4. ¿Cómo hacer Data Storytelling?
UNIDAD DIDÁCTICA 2. INTRODUCCIÓN AL BIG DATA Y STORYTELLING
  1. Definición y conceptos clave de Big Data
  2. Definición y principios del Storytelling con datos
  3. Importancia del Big Data en la narrativa de datos
  4. Evolución y tendencias actuales en Big Data y Storytelling
UNIDAD DIDÁCTICA 3. TECNOLOGÍAS Y ARQUITECTURAS DEL BIG DATA
  1. Arquitectura de sistemas Big Data
  2. Introducción a Hadoop y su ecosistema
  3. Apache Spark y procesamiento en memoria
  4. Bases de datos NoSQL (MongoDB, Cassandra)
  5. Integración de datos y ETL (Extract, Transform, Load)
UNIDAD DIDÁCTICA 4. ANÁLISIS DE DATOS PARA STORYTELLING
  1. Métodos de análisis de datos (descriptivo, inferencial)
  2. Modelos estadísticos y su aplicación en la narrativa
  3. Algoritmos de machine learning relevantes para storytelling
  4. Evaluación y validación de modelos de datos
  5. Extracción de insights clave para la narrativa
UNIDAD DIDÁCTICA 5. TÉCNICAS DE VISUALIZACIÓN Y NARRATIVA DE DATOS
  1. Principios de visualización efectiva
  2. Herramientas de visualización de datos (Tableau, Power BI, D3.js)
  3. Creación de gráficos, mapas y dashboards interactivos
  4. Técnicas de narración visual y diseño de dashboards
UNIDAD DIDÁCTICA 6. CREACIÓN DE NARRATIVAS BASADAS EN DATOS
  1. Estructuración de una historia basada en datos
  2. Técnicas de storytelling visual y textual
  3. Adaptación de la narrativa para diferentes audiencias
  4. Uso de herramientas para el desarrollo de narrativas (Plotly, Flourish)
UNIDAD DIDÁCTICA 7. IMPLEMENTACIÓN Y PRESENTACIÓN DE PROYECTOS DE BIG DATA STORYTELLING
  1. Planificación y desarrollo de proyectos de Big Data Storytelling
  2. Diseño e implementación de pipelines de datos para storytelling
  3. Evaluación de la efectividad de la narrativa y feedback
  4. Presentación de resultados y comunicación de insights
UNIDAD DIDÁCTICA 8. CASOS DE ESTUDIO Y MEJORES PRÁCTICAS
  1. Análisis de casos exitosos de Big Data Storytelling
  2. Técnicas y enfoques utilizados en diferentes sectores
  3. Errores comunes y cómo evitarlos
  4. Desarrollo de proyectos finales aplicados a casos reales
UNIDAD DIDÁCTICA 9. TENDENCIAS FUTURAS EN BIG DATA Y STORYTELLING
  1. Innovaciones en Big Data y su impacto en storytelling
  2. El papel de la inteligencia artificial en la narración de datos
  3. Nuevas herramientas y tecnologías emergentes
  4. Preparación para el futuro: habilidades y competencias emergentes
MÓDULO 3. ESTADÍSTICA APLICADA Y MODELOS CUANTITATIVOS PARA LA TOMA DE DECISIONES
UNIDAD DIDÁCTICA 1. FUNDAMENTOS DE ESTADÍSTICA DESCRIPTIVA PARA NEGOCIO
  1. Medidas de tendencia central y dispersión aplicadas a datos empresariales
  2. Distribuciones de probabilidad más usadas en analítica de negocio
  3. Percentiles, outliers e interpretación de la distribución de los datos
UNIDAD DIDÁCTICA 2. ESTADÍSTICA INFERENCIAL Y PRUEBAS DE HIPÓTESIS
  1. Muestreo y estimación de parámetros poblacionales
  2. Intervalos de confianza y su interpretación práctica
  3. Pruebas de hipótesis aplicadas a decisiones de negocio
  4. Errores tipo I y tipo II en la toma de decisiones
UNIDAD DIDÁCTICA 3. CORRELACIÓN, REGRESIÓN Y RELACIONES ENTRE VARIABLES
  1. Análisis de correlación entre variables de negocio
  2. Regresión lineal simple y múltiple
  3. Interpretación de coeficientes para la toma de decisiones
UNIDAD DIDÁCTICA 4. SERIES TEMPORALES Y FORECASTING BÁSICO
  1. Componentes de una serie temporal (tendencia, estacionalidad y ciclo)
  2. Métodos de suavizado, medias móviles y técnicas básicas de forecasting
  3. Evaluación de modelos de pronóstico mediante métricas de error
  4. Aplicación del forecasting a ventas, demanda y planificación empresarial
UNIDAD DIDÁCTICA 5. DISEÑO EXPERIMENTAL Y PRUEBAS A/B
  1. Fundamentos del testing controlado en entornos digitales
  2. Diseño de pruebas A/B para decisiones de producto y marketing
  3. Tamaño de muestra, significancia estadística y potencia de una prueba
  4. Interpretación de resultados y significancia estadística
UNIDAD DIDÁCTICA 6. HERRAMIENTAS ESTADÍSTICAS PARA EL ANALISTA DE NEGOCIO
  1. Análisis estadístico con Python (pandas, scipy, statsmodels)
  2. Análisis estadístico con Excel avanzado
  3. Interpretación y comunicación de resultados estadísticos para la toma de decisiones
MÓDULO 4. PYTHON Y SQL PARA EL ANÁLISIS DE DATOS DE NEGOCIO
UNIDAD DIDÁCTICA 1. FUNDAMENTOS DE PYTHON PARA ANALÍTICA DE DATOS
  1. Sintaxis básica y estructuras de datos en Python
  2. Funciones, modularización y buenas prácticas de programación
  3. Entornos de trabajo: Jupyter Notebook y Google Colab
UNIDAD DIDÁCTICA 2. MANIPULACIÓN DE DATOS CON PANDAS
  1. Carga y limpieza de datasets con pandas
  2. Transformación y agregación de datos
  3. Manejo de valores nulos y duplicados
UNIDAD DIDÁCTICA 3. FUNDAMENTOS DE SQL PARA CONSULTA DE DATOS
  1. Sintaxis SELECT, WHERE, GROUP BY y HAVING
  2. Joins e integración de múltiples tablas
  3. Funciones de agregación, CASE WHEN y tratamiento de fechas
  4. Subconsultas y funciones de ventana (window functions)
UNIDAD DIDÁCTICA 4. SQL AVANZADO PARA ANALÍTICA DE NEGOCIO
  1. Funciones de ventana para análisis de datos
  2. Consultas analíticas complejas para reporting
  3. Optimización de consultas y buenas prácticas de rendimiento
  4. Vistas y procedimientos almacenados aplicados a BI
UNIDAD DIDÁCTICA 5. AUTOMATIZACIÓN DE FLUJOS DE DATOS CON PYTHON
  1. Lectura y escritura automatizada de archivos y fuentes de datos
  2. Scripts de extracción y carga automatizada
  3. Programación de flujos ETL básicos con Python
  4. Integración de Python con bases de datos SQL
UNIDAD DIDÁCTICA 6. VISUALIZACIÓN Y REPORTING PROGRAMÁTICO
  1. Visualización de datos con matplotlib y seaborn
  2. Generación de reportes automatizados
  3. Documentación y buenas prácticas de código analítico
  4. Desarrollo de análisis reproducibles con Python
MÓDULO 5. BUSINESS INTELLIGENCE APLICADO A LA ANALÍTICA DE CLIENTES
UNIDAD DIDÁCTICA 1. FUNDAMENTOS DE BUSINESS INTELLIGENCE EN LA EMPRESA
  1. Qué es Business Intelligence y su rol en la toma de decisiones
  2. Componentes de un ecosistema de BI: datos, herramientas y procesos
  3. Del dato a la decisión: el ciclo de vida de la información de negocio
UNIDAD DIDÁCTICA 2. MODELADO DE DATOS PARA BI
  1. Modelos relacionales aplicados a BI
  2. Modelado dimensional: tablas de hechos y dimensiones
  3. Principios del diseño de un Data Mart orientado a negocio
UNIDAD DIDÁCTICA 3. CONOCIMIENTO DEL CLIENTE BASADO EN DATOS
  1. Tipos de datos y atributos del cliente
  2. Fuentes de datos de cliente: CRM, transaccionales y comportamentales
  3. Construcción de perfiles de cliente basados en datos
UNIDAD DIDÁCTICA 4. ANALÍTICA DEL VALOR Y CICLO DE VIDA DEL CLIENTE
  1. Customer Lifetime Value (CLV): cálculo e interpretación
  2. Análisis de cohortes para medir retención
  3. Segmentación de clientes basada en comportamiento
UNIDAD DIDÁCTICA 5. ANALÍTICA DE LA EXPERIENCIA DEL CLIENTE
  1. Métricas de experiencia de cliente (NPS, CSAT, CES)
  2. Análisis del customer journey con datos
  3. Identificación de puntos de fricción mediante analítica
UNIDAD DIDÁCTICA 6. ESTRATEGIAS BASADAS EN DATOS PARA RETENCIÓN Y CRECIMIENTO
  1. Venta cruzada y venta adicional basadas en analítica predictiva
  2. Reducción del costo de adquisición mediante segmentación de datos
  3. Diseño de programas de fidelización data-driven
UNIDAD DIDÁCTICA 7. INDICADORES Y CUADROS DE MANDO PARA LA TOMA DE DECISIONES
  1. Diseño de KPI relevantes para negocio
  2. Construcción de cuadros de mando ejecutivos
  3. Comunicación de insights a audiencias no técnicas
UNIDAD DIDÁCTICA 8. INDICADORES CORPORATIVOS POR ÁREA DE NEGOCIO
  1. KPI financieros: rentabilidad, liquidez y estructura de costos
  2. KPI comerciales y de marketing: conversión, CAC y ROI de campañas
  3. KPI operativos y de recursos humanos: productividad, rotación y eficiencia de procesos
  4. Diseño de un cuadro de mando integral (Balanced Scorecard) desde la perspectiva de dirección
UNIDAD DIDÁCTICA 9. CASOS APLICADOS DE BUSINESS INTELLIGENCE EN LATINOAMÉRICA
  1. Casos de éxito de BI aplicada al mercado latinoamericano
  2. Retos de adopción de BI en empresas de la región
  3. Buenas prácticas para implementar una cultura data-driven
MÓDULO 6. ANALÍTICA WEB Y DE REDES SOCIALES: MEDICIÓN CON GA4, GOOGLE TAG MANAGER Y LOOKER STUDIO
UNIDAD DIDÁCTICA 1. FUNDAMENTOS DE LA ANALÍTICA DIGITAL Y PLAN DE MEDICIÓN
  1. Qué mide la analítica web y qué decisiones de negocio permite tomar
  2. Métricas principales y avanzadas: usuarios, sesiones, interacción y conversión
  3. Plan de medición y plan de etiquetado: de los KPI de negocio a los eventos que hay que registrar
  4. Nomenclatura y parametrización de campañas con UTM
UNIDAD DIDÁCTICA 2. GOOGLE ANALYTICS 4: CONFIGURACIÓN Y MODELO DE DATOS
  1. Modelo de datos basado en eventos y parámetros
  2. Estructura de cuenta, propiedad y flujos de datos web y app
  3. Eventos automáticos, de medición mejorada, recomendados y personalizados
  4. Configuración de eventos clave y dimensiones personalizadas
  5. Filtros de datos, exclusión de tráfico interno y retención de datos
  6. Vinculación con Google Ads, Search Console y BigQuery
UNIDAD DIDÁCTICA 3. GOOGLE ANALYTICS 4: INFORMES, EXPLORACIONES Y COMPORTAMIENTO DEL USUARIO
  1. Informes estándar: adquisición, interacción, monetización y retención
  2. Personalización de informes y gestión de la biblioteca
  3. Exploraciones de embudo y de ruta para localizar abandonos en web y app
  4. Segmentos y audiencias en GA4 y su activación en Google Ads
  5. Lectura fiable de los informes: muestreo, umbrales de datos y cardinalidad
UNIDAD DIDÁCTICA 4. GOOGLE TAG MANAGER: IMPLEMENTACIÓN DE LA MEDICIÓN
  1. Arquitectura de GTM: etiquetas, activadores y variables
  2. Capa de datos (dataLayer) y coordinación con el equipo de desarrollo
  3. Implementación de GA4 y eventos personalizados con GTM
  4. Medición de comercio electrónico: eventos de compra y embudo de pago
  5. Depuración con el modo vista previa y DebugView
  6. Gestión del contenedor: versiones, permisos y documentación
UNIDAD DIDÁCTICA 5. PRIVACIDAD, CONSENTIMIENTO Y PÉRDIDA DE SEÑAL EN LA MEDICIÓN
  1. Impacto de bloqueadores, navegación privada y restricciones de cookies en los datos
  2. Plataformas de gestión del consentimiento (CMP) y Consent Mode v2
  3. Etiquetado del lado del servidor (server-side tagging)
  4. Datos propios (first-party data) y medición basada en modelado
  5. Verificación técnica: qué etiquetas se activan antes y después del consentimiento
UNIDAD DIDÁCTICA 6. ATRIBUCIÓN Y MEDICIÓN DEL RENDIMIENTO DE CAMPAÑAS
  1. Qué es un modelo de atribución y cómo condiciona el reparto de la inversión
  2. Modelos de atribución disponibles en GA4: basado en datos y último clic
  3. Ventanas de conversión y discrepancias entre GA4, Google Ads y Meta Ads
  4. Cómo cambia el ROAS de cada canal según el modelo de atribución
  5. Importación de conversiones offline (CRM, llamadas y punto de venta) a GA4 y Google Ads
UNIDAD DIDÁCTICA 7. ANALÍTICA DE REDES SOCIALES CON HERRAMIENTAS NATIVAS
  1. Métricas sociales comparables entre plataformas: alcance, impresiones, interacción y tráfico referido
  2. Meta Business Suite: analítica de Facebook e Instagram
  3. TikTok Analytics y TikTok Ads Manager
  4. Analítica de X, LinkedIn y YouTube Studio
  5. WhatsApp Business como canal de conversión: métricas y seguimiento
  6. Análisis en GA4 del tráfico y las conversiones procedentes de redes sociales
UNIDAD DIDÁCTICA 8. ESCUCHA SOCIAL, ANÁLISIS DE SENTIMIENTO Y REPORTING DIGITAL
  1. Escucha social (social listening): planteamiento y herramientas
  2. Análisis de sentimiento y detección de anomalías en la conversación sobre la marca
  3. Looker Studio: informe de rendimiento digital con fuentes de GA4 y redes sociales
  4. Análisis avanzado de los datos de GA4 exportados a BigQuery con SQL
MÓDULO 7. ARQUITECTURA DE DATOS MODERNA: CLOUD, DATA LAKEHOUSE Y MICROSOFT FABRIC
UNIDAD DIDÁCTICA 1. EVOLUCIÓN DE LA ARQUITECTURA DE DATOS EMPRESARIAL
  1. Del Data Warehouse tradicional al Data Lake
  2. El paradigma Lakehouse: ventajas frente a arquitecturas anteriores
  3. Criterios para elegir arquitectura según el tipo de organización
UNIDAD DIDÁCTICA 2. FUNDAMENTOS DE COMPUTACIÓN EN LA NUBE PARA DATOS
  1. Modelos de servicio en la nube aplicados a datos (IaaS, PaaS, SaaS)
  2. Principales proveedores cloud con penetración en Latinoamérica
  3. Ventajas y riesgos de migrar la analítica a la nube
UNIDAD DIDÁCTICA 3. DATA LAKES: DISEÑO Y GESTIÓN
  1. Estructura y organización de un Data Lake
  2. Formatos de almacenamiento de datos (Parquet, Delta Lake)
  3. Gestión del ciclo de vida del dato en un Data Lake
UNIDAD DIDÁCTICA 4. MICROSOFT FABRIC COMO PLATAFORMA DE ANALÍTICA UNIFICADA
  1. Componentes de Microsoft Fabric: OneLake, Data Factory y Power BI integrado
  2. Flujos de trabajo de analítica end-to-end en Fabric
  3. Casos de uso de Fabric en empresas latinoamericanas
UNIDAD DIDÁCTICA 5. INTEGRACIÓN Y ORQUESTACIÓN DE DATOS
  1. Procesos ETL y ELT en arquitecturas modernas
  2. Orquestación de pipelines de datos
  3. Integración de fuentes de datos heterogéneas
UNIDAD DIDÁCTICA 6. PROCESAMIENTO DE DATOS A GRAN ESCALA
  1. Fundamentos de Apache Spark para procesamiento distribuido
  2. Procesamiento por lotes frente a procesamiento en tiempo real
  3. Casos de uso de streaming de datos en negocio
UNIDAD DIDÁCTICA 7. SEGURIDAD Y CONTROL DE ACCESO EN ARQUITECTURAS DE DATOS
  1. Principios de seguridad en entornos cloud
  2. Control de acceso y gestión de permisos sobre los datos
  3. Residencia y soberanía del dato en Latinoamérica
UNIDAD DIDÁCTICA 8. COSTOS Y ESCALABILIDAD DE ARQUITECTURAS DE DATOS
  1. Modelos de costos en plataformas cloud de datos
  2. Estrategias de optimización de costos en analítica
  3. Escalabilidad y planificación de capacidad
MÓDULO 8. DATA GOVERNANCE, CALIDAD DEL DATO Y DATAOPS
UNIDAD DIDÁCTICA 1. FUNDAMENTOS DE DATA GOVERNANCE
  1. Qué es la gobernanza del dato y por qué es crítica para el negocio
  2. Roles y responsabilidades en un modelo de gobernanza de datos
  3. Marcos de referencia para la gobernanza del dato
UNIDAD DIDÁCTICA 2. CALIDAD DEL DATO
  1. Dimensiones de la calidad del dato: precisión, completitud y consistencia
  2. Métodos de detección y corrección de errores en los datos
  3. Indicadores para medir la calidad del dato en la organización
UNIDAD DIDÁCTICA 3. CATALOGACIÓN Y METADATOS
  1. Catálogos de datos y su función en la organización
  2. Gestión de metadatos y linaje del dato (data lineage)
  3. Herramientas de catalogación con adopción en Latinoamérica
UNIDAD DIDÁCTICA 4. PRIVACIDAD Y PROTECCIÓN DE DATOS PERSONALES EN LATINOAMÉRICA
  1. Principios comunes de protección de datos personales en la región
  2. Tratamiento y anonimización de datos sensibles
  3. Buenas prácticas de cumplimiento normativo en proyectos de datos
UNIDAD DIDÁCTICA 5. FUNDAMENTOS DE DATAOPS
  1. Qué es DataOps y su relación con DevOps
  2. Principios de automatización aplicados a flujos de datos
  3. Cultura de colaboración entre equipos de datos
UNIDAD DIDÁCTICA 6. AUTOMATIZACIÓN DE PIPELINES DE DATOS
  1. Control de versiones aplicado a proyectos de datos
  2. Pruebas automatizadas de calidad en pipelines
  3. Integración y despliegue continuo en proyectos de datos
UNIDAD DIDÁCTICA 7. MONITORIZACIÓN Y OBSERVABILIDAD DE DATOS
  1. Métricas clave para monitorizar pipelines de datos
  2. Detección temprana de anomalías en los flujos de datos
  3. Alertas y resolución de incidentes en entornos de datos
UNIDAD DIDÁCTICA 8. GOBIERNO DEL DATO COMO VENTAJA COMPETITIVA
  1. Casos de negocio donde la gobernanza del dato genera valor
  2. Madurez organizacional en gestión de datos
  3. Hoja de ruta para implementar Data Governance y DataOps
MÓDULO 9. MODELADO DE DATOS Y DATA WAREHOUSE: DISEÑO DIMENSIONAL Y OLAP
UNIDAD DIDÁCTICA 1. FUNDAMENTOS DEL DATA WAREHOUSE CORPORATIVO
  1. Qué es un Data Warehouse y su función en la organización
  2. Diferencias entre Data Warehouse, Data Mart y Data Lake
  3. Componentes de una arquitectura de Data Warehouse
UNIDAD DIDÁCTICA 2. MODELADO DIMENSIONAL: ESQUEMA EN ESTRELLA
  1. Principios del modelado dimensional
  2. Diseño de tablas de hechos
  3. Diseño de tablas de dimensión
  4. Construcción de un esquema en estrella
UNIDAD DIDÁCTICA 3. MODELADO DIMENSIONAL AVANZADO: ESQUEMA EN COPO DE NIEVE
  1. Diferencias entre esquema en estrella y esquema en copo de nieve
  2. Normalización de dimensiones en el copo de nieve
  3. Criterios para elegir entre ambos modelos
UNIDAD DIDÁCTICA 4. DIMENSIONES Y HECHOS ESPECIALES
  1. Dimensiones de cambio lento (slowly changing dimensions)
  2. Tablas de hechos de tipo factless
  3. Granularidad y niveles de agregación
UNIDAD DIDÁCTICA 5. FUNDAMENTOS DE OLAP
  1. Qué es OLAP y su diferencia con OLTP
  2. Tipos de sistemas OLAP: MOLAP, ROLAP y HOLAP
  3. El cubo OLAP como estructura de análisis
UNIDAD DIDÁCTICA 6. OPERACIONES SOBRE CUBOS OLAP
  1. Roll-up y drill-down
  2. Slice y dice
  3. Pivot y otras operaciones de navegación
UNIDAD DIDÁCTICA 7. PROCESOS ETL ORIENTADOS A DATA WAREHOUSE
  1. Extracción, transformación y carga en el contexto de un Data Warehouse
  2. Calidad e integridad del dato en procesos ETL
  3. Frecuencia de carga y actualización del Data Warehouse
UNIDAD DIDÁCTICA 8. HERRAMIENTAS PARA LA CONSTRUCCIÓN DE CUBOS OLAP
  1. Herramientas comerciales y open source para OLAP
  2. Integración de cubos OLAP con herramientas de visualización
  3. Consultas multidimensionales: fundamentos de MDX
UNIDAD DIDÁCTICA 9. RENDIMIENTO Y OPTIMIZACIÓN DEL DATA WAREHOUSE
  1. Indexación y particionamiento de tablas
  2. Estrategias de agregación y materialización de vistas
  3. Buenas prácticas de rendimiento en consultas analíticas
UNIDAD DIDÁCTICA 10. DEL DATA WAREHOUSE CLÁSICO A LA ARQUITECTURA MODERNA
  1. Limitaciones del Data Warehouse tradicional frente a las necesidades actuales
  2. Convivencia de Data Warehouse y Data Lake en arquitecturas híbridas
  3. Puente conceptual hacia el modelo Lakehouse
MÓDULO 10. ANÁLISIS Y VISUALIZACIÓN DE DATOS CON TABLEAU Y POWER BI
UNIDAD DIDÁCTICA 1. SELECCIÓN DE VISUALIZACIONES Y DISEÑO DE DASHBOARDS EJECUTIVOS
  1. Criterios de selección de gráfico según el tipo de dato y el mensaje
  2. Principios de diseño de dashboards: jerarquía visual, densidad de información y layout
  3. Diseño de dashboards para audiencias ejecutivas: qué mostrar, qué omitir y cómo priorizar la lectura en segundos
  4. Errores comunes de visualización que distorsionan la lectura de negocio
UNIDAD DIDÁCTICA 2. TABLEAU: FUNDAMENTOS Y CONEXIÓN DE DATOS
  1. Instalación y arquitectura de Tableau (Desktop, Public, Server, Cloud)
  2. Conexión a fuentes de datos: archivos, bases de datos y conectores en vivo
  3. Relaciones, uniones y combinación de fuentes de datos
UNIDAD DIDÁCTICA 3. TABLEAU: PREPARACIÓN Y MODELADO DE DATOS
  1. Tipos de campos, jerarquías y agrupaciones
  2. Campos calculados y funciones de tabla
  3. Parámetros y campos calculados dinámicos
UNIDAD DIDÁCTICA 4. TABLEAU: CONSTRUCCIÓN DE VISUALIZACIONES
  1. Gráficos de comparación y distribución: barras, líneas, dispersión, histograma
  2. Gráficos de composición y relación: área, circular, mapa de calor, cascada
  3. Mapas y análisis geoespacial en Tableau
UNIDAD DIDÁCTICA 5. TABLEAU: FILTROS, INTERACTIVIDAD Y DASHBOARDS
  1. Tipos de filtros y su orden de aplicación
  2. Acciones de filtro, resaltado y navegación entre hojas
  3. Diseño y publicación de dashboards interactivos
UNIDAD DIDÁCTICA 6. POWER BI: FUNDAMENTOS Y CONEXIÓN DE DATOS
  1. Arquitectura de Power BI: Desktop, Service y Mobile
  2. Power Query: importación y transformación de datos
  3. Modelado de relaciones entre tablas en Power BI
UNIDAD DIDÁCTICA 7. POWER BI: DAX Y MEDIDAS
  1. Fundamentos del lenguaje DAX
  2. Medidas y columnas calculadas
  3. Funciones de inteligencia de tiempo (time intelligence)
UNIDAD DIDÁCTICA 8. POWER BI: CONSTRUCCIÓN DE INFORMES
  1. Visualizaciones nativas y personalizadas
  2. Segmentadores, marcadores y páginas de detalle
  3. Diseño de informes multipágina orientados a negocio
UNIDAD DIDÁCTICA 9. POWER BI: PUBLICACIÓN Y COLABORACIÓN
  1. Publicación de informes en Power BI Service
  2. Actualización de datos programada y gateways
  3. Permisos, espacios de trabajo y distribución de informes
UNIDAD DIDÁCTICA 10. COMPARATIVA Y CRITERIOS DE ELECCIÓN ENTRE TABLEAU Y POWER BI
  1. Diferencias de licenciamiento, curva de aprendizaje y ecosistema
  2. Casos de uso donde cada herramienta aporta más valor
  3. Integración de ambas herramientas en un mismo ecosistema de datos empresarial
MÓDULO 11. MACHINE LEARNING PREDICTIVO APLICADO AL NEGOCIO
UNIDAD DIDÁCTICA 1. FUNDAMENTOS DEL MACHINE LEARNING APLICADO A NEGOCIO
  1. Tipos de aprendizaje automático: supervisado, no supervisado y por refuerzo
  2. El ciclo de vida de un proyecto de machine learning
  3. Casos de aplicación de ML en decisiones empresariales
UNIDAD DIDÁCTICA 2. PRÁCTICA INTRODUCTORIA DE MINERÍA DE DATOS SIN CÓDIGO CON ORANGE
  1. Construcción de un flujo de análisis visual en Orange sobre un caso de negocio
  2. Aplicación de clustering y modelado predictivo básico sin programación
  3. Ventajas y límites de las herramientas no-code frente a Python para minería de datos
UNIDAD DIDÁCTICA 3. PREPARACIÓN DE DATOS PARA MODELADO PREDICTIVO
  1. Ingeniería de características (feature engineering)
  2. Selección de variables relevantes para el modelo
  3. División de datos: entrenamiento, validación y prueba
UNIDAD DIDÁCTICA 4. MODELOS DE REGRESIÓN PREDICTIVA
  1. Regresión lineal y regresión logística aplicadas a negocio
  2. Regularización y prevención del sobreajuste
  3. Interpretación de modelos de regresión para stakeholders
UNIDAD DIDÁCTICA 5. MODELOS DE CLASIFICACIÓN
  1. Árboles de decisión y random forest
  2. Máquinas de vector soporte (SVM)
  3. Evaluación de modelos de clasificación: matriz de confusión, precisión y recall
UNIDAD DIDÁCTICA 6. MODELOS DE ENSAMBLE Y BOOSTING
  1. Fundamentos de XGBoost y LightGBM
  2. Comparación de modelos de ensamble frente a modelos individuales
  3. Ajuste de hiperparámetros para mejorar el rendimiento
UNIDAD DIDÁCTICA 7. SEGMENTACIÓN MEDIANTE APRENDIZAJE NO SUPERVISADO
  1. Algoritmos de clustering (K-means, clustering jerárquico)
  2. Aplicación de clustering a segmentación de clientes
  3. Evaluación de la calidad de los clusters obtenidos
UNIDAD DIDÁCTICA 8. PREDICCIÓN DE CHURN Y MODELOS DE RETENCIÓN
  1. Construcción de un modelo predictivo de abandono de clientes
  2. Variables predictoras del churn en negocios digitales
  3. Diseño de estrategias de retención basadas en el modelo
UNIDAD DIDÁCTICA 9. FORECASTING DE DEMANDA Y VENTAS
  1. Modelos predictivos aplicados a previsión de demanda
  2. Incorporación de variables externas al modelo de forecasting
  3. Validación de modelos de pronóstico en entornos reales
UNIDAD DIDÁCTICA 10. DESPLIEGUE DE MODELOS PREDICTIVOS
  1. Del modelo al producto: fundamentos de puesta en producción
  2. Monitorización del rendimiento de modelos en producción
  3. Reentrenamiento y mantenimiento de modelos predictivos
UNIDAD DIDÁCTICA 11. ÉTICA Y LIMITACIONES DEL MACHINE LEARNING PREDICTIVO
  1. Sesgos en los modelos predictivos y su impacto en el negocio
  2. Explicabilidad de modelos (XAI) para la toma de decisiones
  3. Límites del machine learning predictivo en contextos empresariales
MÓDULO 12. INTELIGENCIA ARTIFICIAL GENERATIVA Y LLMS APLICADOS A NEGOCIO
UNIDAD DIDÁCTICA 1. FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL MODERNA
  1. Evolución de la IA: de los sistemas basados en reglas al aprendizaje profundo
  2. Diferencias entre IA, machine learning y deep learning
  3. Panorama actual de la IA aplicada a negocio
UNIDAD DIDÁCTICA 2. FUNDAMENTOS DE LOS MODELOS DE LENGUAJE
  1. Qué es un modelo de lenguaje y cómo funciona
  2. Arquitectura transformer: conceptos esenciales
  3. Principales modelos de lenguaje disponibles en el mercado
UNIDAD DIDÁCTICA 3. PROMPT ENGINEERING APLICADO A NEGOCIO
  1. Principios del diseño de prompts efectivos
  2. Técnicas de prompting: few-shot, chain-of-thought y role prompting
  3. Prompt engineering para tareas analíticas y de reporting
UNIDAD DIDÁCTICA 4. IA GENERATIVA PARA ANÁLISIS Y AUTOMATIZACIÓN DE INSIGHTS
  1. Generación automática de resúmenes e informes de negocio
  2. Asistentes de IA para exploración de datos en lenguaje natural
  3. Copilotos de datos integrados en herramientas de BI
UNIDAD DIDÁCTICA 5. INTEGRACIÓN DE LLMS CON FUENTES DE DATOS EMPRESARIALES
  1. Fundamentos de RAG (Retrieval-Augmented Generation) aplicado a negocio
  2. Conexión de modelos de lenguaje con bases de datos corporativas
  3. Casos de uso de agentes de IA en procesos analíticos
UNIDAD DIDÁCTICA 6. IA GENERATIVA APLICADA A LA CREACIÓN DE CONTENIDO DE NEGOCIO
  1. Generación de contenido para marketing y comunicación corporativa
  2. Generación de código y consultas asistidas por IA
  3. Buenas prácticas de revisión humana del contenido generado
UNIDAD DIDÁCTICA 7. CHATBOTS Y ASISTENTES VIRTUALES BASADOS EN LLMS
  1. Diferencias entre chatbots tradicionales y asistentes basados en LLMs
  2. Diseño de asistentes virtuales orientados a atención al cliente y negocio
  3. Plataformas para el desarrollo de asistentes conversacionales con adopción en Latinoamérica
UNIDAD DIDÁCTICA 8. AUTOMATIZACIÓN DE PROCESOS CON IA (AGENTES AUTÓNOMOS)
  1. Fundamentos de los agentes de IA autónomos
  2. Aplicación de agentes de IA a flujos de trabajo empresariales
  3. Límites actuales de la autonomía de los agentes de IA
UNIDAD DIDÁCTICA 9. GOBERNANZA Y ÉTICA DE LA INTELIGENCIA ARTIFICIAL
  1. Principios de una IA responsable en el entorno empresarial
  2. Sesgos, transparencia y explicabilidad en sistemas de IA generativa
  3. Marcos regulatorios emergentes sobre IA en Latinoamérica
UNIDAD DIDÁCTICA 10. EL FUTURO DE LA IA APLICADA A LA ANALÍTICA DE NEGOCIO
  1. Tendencias emergentes en IA generativa y analítica
  2. Impacto de la IA en el rol del analista de negocio
  3. Preparación de la organización para la adopción continua de IA
MÓDULO 13. PROYECTO FIN DE MÁSTER

Descubre cuánto puede invertir tu empresa en formación sin coste

Como cliente o asociado de AFT, puedes solicitar información personalizada sobre tu crédito Fundae y la formación disponible para tu equipo.

Formulario de solicitud de información