Contenido del programa formativo:
1. ANTECEDENTES, DEFINICIONES Y BASES PARA UN CORRECTO ENTENDIMIENTO
1.1. Necesidades del ejecutivo.
1.2. Problemas de IT que resuelve.
1.3. ¿Qué es un DSS?
1.4. Business Intelligence.
1.5. ¿Qué es?
1.5.1. ¿Qué persigue?
1.5.2. ¿Qué no es Business Intelligence?
1.6. Business Analytics.
1.7. Business Intelligence vs Business Analytics.
1.8. Grados de madurez analítica de una empresa.
2. LA IMPORTANCIA DEL DATO VALOR
2.1. Data Governance
2.1.1. ¿Qué es?
2.1.2. Data Governance como proceso, no como proyecto.
2.1.3. Ventajas.
2.2. Data Quality.
2.2.1. ¿Qué es?
2.2.2. Características del Data Quality.
2.2.3. Factores que contribuyen a tener una baja calidad en los datos.
2.3. Data Quality & Governance-GDPR.
3. ALGUNOS CONCEPTOS TÉCNICOS DE LA ANALÍTICA TRADICIONAL
3.1. Analítica clásica: flujo de datos.
3.2. Procesos ETL.
3.3. DataWarehouse.
3.4. Datamart.
3.5. Cubos OLAP.
3.6. Sistema de Reporting.
3.7. Panel de control y dashboard.
3.8. Balanced Scorecard.
3.9. Comparación de herramientas.
3.10. Business Intelligence - Solvencia II.
3.10.1. Introducción.
3.10.2. Alcance de la solución planteada.
3.10.3. Infraestructura objetivo de la aseguradora.
3.10.4. Entorno analítico para dar respuesta a la normativa.
3.10.5. Factores de éxito.
4. REPRESENTACIÓN DE LOS DATOS
4.1. Analítica clásica: Flujo de datos.
4.2. Cuadro de Mando Integral (CMI).
4.2.1. Origen del CMI.
4.2.2. ¿Qué es un CMI?
4.2.3. ¿Por qué usar un CMI?
4.2.4. El CMI en el control de gestión.
4.2.5. Perspectivas del CMI.
4.3. Tipo de Herramientas.
5. INTRODUCCIÓN AL BIG DATA
5.1. Historia del Big Data.
5.2. ¿Qué es el Big Data?
5.3. Apache Hadoop y su ecosistema.
5.4. MapReduce: el motor de Hadoop.
5.5. Spark.
5.5.1. ¿El sustituto de MapReduce?
5.5.2. Componentes de Spark.
5.5.3. Formas de implementar Spark.
5.6. MapReduce vs Spark.
5.7. Big Data y problemas de rendimiento en una TELCO.
5.8. Objetivos perseguidos.
5.9. Explicación.
5.10. Modelo de Fast Data.
6. INTRODUCCIÓN A LA ANALÍTICA AVANZADA
6.1. Algoritmia.
6.2. Estadística descriptiva.
6.3. Análisis clúster.
6.4. Análisis factorial.
6.5. Regresión.
6.6. Ejemplo: detección de empresas ficticias.
La Modalidad ONLINE se adapta a las características y necesidades de cada
alumno, combinando las metodologías de enseñanza programada y de trabajo autónomo
por parte del alumnado con el asesoramiento de un equipo docente especializado y
mediante el uso de las nuevas tecnologías de la información y comunicación, creando un entorno de aprendizaje
activo, próximo y colaborativo en el Campus Virtual, disponiendo de los mejores recursos en un
mismo entorno educativo.
- ENSEÑANZA PROGRAMADA: Persigue transmitir los conocimientos al alumnado sin la
intervención directa de el/la formador/a, a través de la organización y estructuración de los contenidos de
forma secuencial. La realización periódica de ejercicios y pruebas de autoevaluación permiten afianzar lo
aprendido y corregir los posibles errores en el aprendizaje.
- TRABAJO AUTÓNOMO: Sistema de trabajo donde el alumno asume la responsabilidad de su proceso
de aprendizaje, adaptándolo a su ritmo de trabajo y a sus propias necesidades, lo que exige una mayor implicación
por su parte.
Las acciones formativas están diseñadas para propiciar el fomento de las habilidades, conocimientos y experiencias
relevantes para el desarrollo profesional dentro del ámbito de la temática del curso.
El material didáctico objeto fundamental del proceso de enseñanza, estará disponible en el Campus de manera ordenada y
en los formatos más idóneos para ajustarlos a las especificaciones del curso. Cada alumno debe trabajarlos de manera
autónoma dedicando un tiempo que dependerá de las necesidades individualizadas de cada uno de ellos.
