Máster en Dirección Técnica de Data Science en la Empresa
Maestría
Online
Descripción
-
Tipología
Maestría
-
Metodología
Online
-
Horas lectivas
1500h
-
Duración
1 Mes
-
Inicio
Fechas disponibles
-
Campus online
Sí
-
Clases virtuales
Sí
Esta especialización intensiva está dirigida a aquellas personas interesadas en alcanzar un nivel de conocimiento superior sobre la Dirección Técnica de Data Science en la Empresa. Su programa docente resulta único por la cuidada selección de tecnologías, incluyendo las de más reciente incorporación y demandas en el ámbito empresarial. Además, la incorporación de módulos específicos para la mejora de la visión empresarial y la gestión de equipos multidisciplinares, hacen un programa diferente y capaz de cubrir buena parte de las necesidades educativas de cualquier profesional que desee posicionarse como un referente del conocimiento teórico y práctico de las tecnologías más actuales.
Información importante
Documentación
- 19master-direccion-tecnica-data-science-empresa-lat-.pdf
Sedes y fechas disponibles
Ubicación
comienzo
comienzo
Información relevante sobre el curso
Objetivos generales
Analizar los sistemas ERP y CRM, aportación y beneficios
Diseñar y seleccionar la herramienta ERP o CRM idóneas para cada empresa
Desarrollar cada una de las etapas del ciclo de vida de los datos
Establecer el marco normativo relacionado con el manejo de los datos
Objetivos específicos
Módulo 1. Principales sistemas de gestión de información
Desarrollar una estrategia comercial
Generar conocimiento especializado para la toma de decisiones comerciales
Módulo 2. Tipos y ciclo de vida del dato
Generar conocimiento especializado para realizar un análisis de datos
Unificar datos diversos, lograr la consistencia de la información
El objetivo de esta especialización es capacitar a los profesionales en Dirección Técnica de Data Science en la Empresa, con los conocimientos y habilidades necesarios para realizar su actividad, utilizando los protocolos y técnicas más avanzados del momento.
Mediante un planteamiento de trabajo totalmente adaptable al alumno, este Máster Título Propio le llevará progresivamente a adquirir las competencias que le impulsarán hacia un nivel profesional superior. Una capacitación única diseñada por profesionales con amplia experiencia en el sector.
Este Máster Título Propio en Dirección Técnica de Data Science en la Empresa contiene el programa más completo y actualizado del mercado.
Tras la superación de la evaluación, el alumno recibirá por correo postal* con acuse de recibo su correspondiente título de Máster Propio emitido por TECH Universidad Tecnológica.
El título expedido por TECH Universidad Tecnológica expresará la calificación que haya obtenido en el Máster Título Propio, y reúne los requisitos comúnmente exigidos por las bolsas de trabajo, oposiciones y comités evaluadores de carreras profesionales.
Título: Máster Título Propio en Dirección Técnica de Data Science en la Empresa
N.º Horas Oficiales: 1.500 h.
Nuestra escuela es la primera en el mundo que combina el estudio de casos clínicos con un sistema de aprendizaje 100% online basado en la reiteración, que combina 8 elementos diferentes que suponen una evolución con respecto al simple estudio y análisis de casos. Esta metodología, a la vanguardia pedagógica mundial, se denomina Relearning.
Nuestra escuela es la primera en habla hispana licenciada para emplear este exitoso método, habiendo conseguido en 2015 mejorar los niveles de satisfacción global (calidad docente, calidad de los materiales, estructura del curso, objetivos…) de los estudiantes que finalizan los cursos con respecto a los indicadores de la mejor universidad online en habla hispana.
Recibida su solicitud, un responsable académico del curso le llamará para explicarle todos los detalles del programa, así como el método de inscripción, facilidades de pago y plazos de matrícula.
En primer lugar, necesitas un ordenador (PC o Macintosh), conexión a internet y una cuenta de correo electrónico. Para poder realizar los cursos integramente ON-LINE dispone de las siguientes opciones: Flash - Instalando Flash Player 10 o posterior (http://www.adobe.com/go/getflash), en alguno de los siguientes navegadores web: - Windows: Internet Explorer 6 y posteriores, Firefox 1.x y posteriores, Google Chrome, Opera 9.5 y posteriores - Mac: Safari 3 y posteriores, Firefox 1.x y posteriores, Google Chrome - Linux: Firefox 1.x y posteriores HTML5 - Instalando alguno de los navegadores web: - Google Chrome 14 o posterior sobre Windows o Mac - Safari 5.1 o posterior sobre Mac - Mobile Safari sobre Apple iOS 5.0 o posterior en iPad/iPhone Apple iOS - Articulate Mobile Player; Apple iOS 5.0 o posterior en iPad
Opiniones
Materias
- Instalaciones
- Térmica
- Generalidades
- Seguridad
- Comodidad
- Producción
- Salubridad
- Edificio
- Misión
- Necesidades
Profesores
Arturo Peralta Martín-Palomino
Profesor
Temario
Módulo 1. Principales sistemas de gestión de información
1.1. ERP y CRM
1.1.1. El ERP
1.1.2. El CRM
1.1.3. Diferencias entre ERP, CRM. Punto de venta
1.1.4. Éxito empresarial
1.2. El ERP
1.2.1. El ERP
1.2.2. Tipos de ERP
1.2.3. Desarrollo de un proyecto de implantación de un ERP
1.2.4. ERP. Optimizador de recursos
1.2.5. Arquitectura de un sistema ERP
1.3. Información aportada por el ERP
1.3.1. Información aportada por el ERP
1.3.2. Ventajas e inconvenientes
1.3.3. La información
1.4. Sistemas ERP
1.4.1. Sistemas y herramientas actuales de ERP
1.4.2. Toma de decisiones
1.4.3. Día a día con un ERP
1.5. CRM: el proyecto de implantación
1.5.1. El CRM. Proyecto de implantación
1.5.2. El CRM como herramienta comercial
1.5.3. Estrategias para el sistema de información
1.6. CRM: Fidelización de clientes
1.6.1. Punto de partida
1.6.2. Vender o fidelizar
1.6.3. Factores de éxito en nuestro sistema de fidelización
1.6.4. Estrategias multicanal
1.6.5. Diseño de las acciones de fidelización
1.6.6. E-fidelización
1.7. CRM: campañas de comunicación
1.7.1. Acciones y planes de comunicación
1.7.2. Importancia del cliente informado
1.7.3. La escucha al cliente
1.8. CRM: prevención de insatisfechos
1.8.1. Las bajas de cliente
1.8.2. Detección de errores a tiempo
1.8.3. Procesos de mejora
1.8.4. Recuperación del cliente insatisfecho
1.9. CRM: acciones especiales de comunicación
1.9.1. Objetivos y planificación de un evento en la empresa
1.9.2. Diseño y realización del evento
1.9.3. Acciones desde el departamento
1.9.4. Análisis de resultados
1.10. El marketing relacional
1.10.1. Implantación. Errores
1.10.2. Metodología, segmentación y procesos
1.10.3. Actuación, según el departamento
1.10.4. Herramientas CRM
Módulo 2. Tipos y ciclo de vida del dato
2.1. La estadística
2.1.1. Estadística: estadística descriptiva, estadística inferencias
2.1.2. Población, muestra, individuo
2.1.3. Variables: definición, escalas de medida
2.2. Tipos de datos estadísticos
2.2.1. Según tipo
2.2.1.1. Cuantitativos: datos continuos y datos discretos
2.2.1.2. Cualitativos: datos binomiales, datos nominales y datos ordinales
2.2.2. Según su forma
2.2.2.1. Numérico
2.2.2.2. Texto
2.2.2.3. Lógico
2.2.3. Según su fuente
2.2.3.1. Primarios
2.2.3.2. Secundarios
2.3. Ciclo de vida de los datos
2.3.1. Etapas del ciclo
2.3.2. Hitos del ciclo
2.3.3. Principios FAIR
2.4. Etapas iniciales del ciclo
2.4.1. Definición de metas
2.4.2. Determinación de recursos necesarios
2.4.3. Diagrama de Gantt
2.4.4. Estructura de los datos
2.5. Recolección de datos
2.5.1. Metodología de recolección
2.5.2. Herramientas de recolección
2.5.3. Canales de recolección
2.6. Limpieza del dato
2.6.1. Fases de la limpieza de datos
2.6.2. Calidad del dato
2.6.3. Manipulación de datos (con R)
2.7. Análisis de datos, interpretación y valoración de resultados
2.7.1. Medidas estadísticas
2.7.2. Índices de relación
2.7.3. Minería de datos
2.8. Almacén del dato (Datawarehouse)
2.8.1. Elementos que lo integran
2.8.2. Diseño
2.8.3. Aspectos a considerar
2.9. Disponibilidad del dato
2.9.1. Acceso
2.9.2. Utilidad
2.9.3. Seguridad
2.10. Aspectos normativos
2.10.1. Ley de protección de datos
2.10.2. Buenas prácticas
2.10.3. Otros aspectos normativos
Módulo 3. Número aprendizaje automático
3.1. El conocimiento en bases de datos
3.1.1. Preprocesamiento de datos
3.1.2. Análisis
3.1.3. Interpretación y evaluación de los resultados
3.2. Machine Learning
3.2.1. Aprendizaje supervisado y no supervisado
3.2.2. Aprendizaje por refuerzo
3.2.3. Aprendizaje semisupervisado. Otros modelos de aprendizaje
3.3. Clasificación
3.3.1. Árboles de decisión y aprendizaje basado en reglas
3.3.2. Máquinas de Soporte Vectorial (SVM) y algoritmos de vecinos más cercanos (KNN)
3.3.3. Métricas para algoritmos de clasificación
3.4. Regresión
3.4.1. Regresión lineal y regresión logística
3.4.2. Modelos de regresión no lineales
3.4.3. Análisis de series temporales
3.4.4. Métricas para algoritmos de regresión
3.5. Clustering
3.5.1. Agrupamiento jerárquico
3.5.2. Agrupamiento particional
3.5.3. Métricas para algoritmos de clustering
3.6. Reglas de asociación
3.6.1. Medidas de interés
3.6.2. Métodos de extracción de reglas
3.6.3. Métricas para los algoritmos de reglas de asociación
3.7. Multiclasificadores
3.7.1. “Bootstrap aggregation” o “bagging”
3.7.2. Algoritmo de “Random Forests”
3.7.3. Algoritmo de “Boosting”
3.8. Modelos de razonamiento probabilístico
3.8.1. Razonamiento probabilístico
3.8.2. Redes bayesianas o redes de creencia
3.8.3. “Hidden Markov Models”
3.9. Perceptrón Multicapa
3.9.1. Red neuronal
3.9.2. Aprendizaje automático con redes neuronales
3.9.3. Descenso del gradiente, “backpropagation” y funciones de activación
3.9.4. Implementación de una red neuronal artificial
3.10 Aprendizaje profundo
3.10.1. Redes neuronales profundas. Introducción
3.10.2. Redes convolucionales
3.10.3. Sequence Modeling
3.10.4. Tensorflow y Pytorch
Módulo 4. Analítica web
4.1. Analítica web
4.1.1. Introducción
4.1.2. Evolución de la analítica web
4.1.3. Proceso de análisis
4.2. Google Analytics
4.2.1. Google Analytics
4.2.2. Uso
4.2.3. Objetivos
4.3. Hits. Interacciones con el sitio web
4.3.1. Métricas básicas
4.3.2. KPI (Key Performance Indicators)
4.3.3. Porcentajes de conversión adecuados
4.4. Dimensiones frecuentes
4.4.1. Fuente
4.4.2. Medio
4.4.3. Keyword
4.4.4. Campaña
4.4.5. Etiquetado personalizado
Máster en Dirección Técnica de Data Science en la Empresa