DESCRIPCIÓN:

El análisis de datos se ha vuelto una práctica muy común en las empresas, ya que les aporta información valiosa, sobre todo de sus clientes potenciales, de esta manera, pueden preparar campañas o estrategias de marketing específicas con la finalidad de fidelizar y captar nuevos clientes, pero también incrementar ventas.

OBJETIVO:

• Conocer claramente la definición de dato. 
• Aprender sobre el Business Intelligence y el Business Analytics.
• Diferencias los factores claves del BI y BA.
• Descubrir cómo nos ayudan los datos a ser más productivos
• Adquirir conocimientos sobre cómo representar los datos de forma exacta e inequívoca.
• Conocer el uso de los paneles de control.
• Aprender sobre las características más importantes de un CMI
• Aprender una base sobre la lógica inductiva
• Conocer los posibles métodos para la búsqueda de hipótesis
• Definir la complejidad computacional
• Adquirir conocimientos sobre la variedad de métodos de aprendizajes estadísticos
• Conocer la historia y evolución del Big Data
• Distinguir algunos sectores pioneros del Big Data
• Adquirir conocimientos sobre el Big Data Analytics
• Diferenciar entre Data Analytics, Big Data y Data Science.
• Conocer la analítica avanzada
• Conocer la analítica predictiva
• Conocer la analítica prescriptiva
• Aprender sobre el valor que aporta el dato
• Diferenciar los distintos tipos de datos
• Conocer como son los datos aplicados en el marco normativo
• Definir lo que es Data Governance y Data Quality

DURACIÓN:

15 horas.

PRECIO:

60 euros para usuarios registrados en Talentoteca.
Precio para usuarios no registrados 120 euros. 

Podrás pagar con tarjeta o Bizum.

FORMATO:

HTML. MULTISCORM

CONTENIDOS:

UNIDAD 1. APROXIMACIÓN Y CONCEPTOS BÁSICOS

1.1. Necesidad de entender los datos.
1.2. Business Intelligence
      1.2.1. Sistemas de soporte a la decisión
1.3. Business Analytics
1.4. Business Analytics vs Business Intelligence

UNIDAD 2. REPRESENTACION DE LOS DATOS

2. INTRODUCCIÓN
  2.1. Representación de los datos.
  2.2. Dashboards como herramienta de visualización
  2.3. Cuadro de Mando Integral (CMI)
    2.3.1. Perspectivas del CMI
    2.3.2. Visión Global del CMI
    2.3.3. Mapa estratégico
    2.3.4. Planes de acción en base al CMI
    2.3.5. Marcadores idóneos o Indicadores Clave de Desempeño (KPIs)

UNIDAD 3. MODELOS Y APRENDIZAJES ESTADISTICOS

3. INTRODUCCIÓN
  3.1. Lógica inductiva
    3.1.1. Programación lógica inductiva: definición y ejemplos
    3.1.2. Búsqueda de hipótesis
    3.1.3. Inducción predictiva y descriptiva
  3.2. Teoría de complejidad computacional
    3.2.1. Definición de complejidad computacional: uso en el diseño de algoritmos
    3.2.2. Modelos de computación
    3.2.3. Clases de complejidad
  3.3. Procesos estocásticos
    3.3.1. Matrices estocásticas
    3.3.2. Cadenas de Markov
    3.3.3. Procesos gaussianos
  3.4. Análisis multivariante. Métodos de Aprendizaje Estadístico.
  3.5. Evaluación de modelos

UNIDAD 4. INFRAESTRUCTURA DE BIG DATA

4. INTRODUCCIÓN
  4.1. Historia del Big Data
   4.2. Big Data
    4.2.1. El data 2.0
    4.2.2. Sectores pioneros en Big Data
  4.3. Big Data Analytics
  4.4. Data Analytics, Big Data y Data Science

UNIDAD 5. EXPERIMENTACION Y TIPOS DE ANALISIS

5. INTRODUCCIÓN
  5.1. Analítica avanzada
  5.2. Analítica predictiva
    5.2.1. Data Mining
    5.2.2. Machine Learning
    5.2.3. Técnicas de Data Mining y Machine Learning
    5.2.4. Otras técnicas de analítica avanzada
  5.3. Analítica prescriptiva.

UNIDAD 6. LOS DATOS

6. INTRODUCCIÓN
  6.1. El valor del dato.
  6.2. Tipología de los datos
  6.3. Tratamiento del dato
  6.4. Data Governance
  6.5. Data Quality
  6.6. Normativas del Dato. GDPR