Home » Administración y gestión » BUSINESS ANALYTICS. DATA DRIVEN DECISION MAKING

BUSINESS ANALYTICS. DATA DRIVEN DECISION MAKING

45,38 

Descripción

• 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

Información adicional

Horas

15

UNIDAD 1. APROXIMACIÓN Y CONCEPTOS BÁSICOS 1.1. Necesidad de entender los datos.1.2. Business Intelligence1.2.1. Sistemas de soporte a la decisión1.3. Business Analytics1.4. 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 visualización2.3. Cuadro de Mando Integral (CMI)2.3.1. Perspectivas del CMI2.3.2. Visión Global del CMI2.3.3. Mapa estratégico2.3.4. Planes de acción en base al CMI2.3.5. Marcadores idóneos o Indicadores Clave de Desempeño (KPIs) UNIDAD 3. MODELOS Y APRENDIZAJES ESTADISTICOS3. INTRODUCCIÓN 3.1. Lógica inductiva3.1.1. Programación lógica inductiva: definición y ejemplos3.1.2. Búsqueda de hipótesis3.1.3. Inducción predictiva y descriptiva3.2. Teoría de complejidad computacional3.2.1. Definición de complejidad computacional: uso en el diseño de algoritmos3.2.2. Modelos de computación3.2.3. Clases de complejidad3.3. Procesos estocásticos3.3.1. Matrices estocásticas3.3.2. Cadenas de Markov3.3.3. Procesos gaussianos3.4. Análisis multivariante. Métodos de Aprendizaje Estadístico.3.5. Evaluación de modelos UNIDAD 4. INFRAESTRUCTURA DE BIG DATA 4. INTRODUCCIÓN 4.1. Historia del Big Data4.2. Big Data4.2.1. El data 2.04.2.2. Sectores pioneros en Big Data4.3. Big Data Analytics4.4. Data Analytics, Big Data y Data Science UNIDAD 5. EXPERIMENTACION Y TIPOS DE ANALISIS5. INTRODUCCIÓN 5.1. Analítica avanzada5.2. Analítica predictiva5.2.1. Data Mining5.2.2. Machine Learning5.2.3. Técnicas de Data Mining y Machine Learning5.2.4. Otras técnicas de analítica avanzada5.3. Analítica prescriptiva. UNIDAD 6. LOS DATOS 6. INTRODUCCIÓN 6.1. El valor del dato.6.2. Tipología de los datos6.3. Tratamiento del dato6.4. Data Governance6.5. Data Quality6.6. Normativas del Dato. GDPR