Inscríbete ahora en esta Maestría Oficial y aprenderás como apoyar las decisiones estratégicas de tu empresa en la información recopilada mediante técnicas avanzadas de Analística de Datos”

El tratamiento, procesamiento y análisis de datos se han convertido en estrategias de trabajo permanentes en las compañías con mayores rendimientos a nivel mundial. El resto del sector empresarial está al tanto de esos resultados y, poco a poco, un mayor número de negocios presta atención a las metodologías emergentes. De ese modo, también ha crecido la demanda de expertos capacitados para el manejo de grandes volúmenes de información a través de eficaces herramientas de visualización e interpretación. Con el auge de esa figura profesional, la implementación de modelos de negocios inteligentes es una realidad cada vez más plausible y perdurable en el mercado empresarial internacional.

Consciente de esa realidad, TECH propone una oportunidad académica que se ajusta a las demandas de esa área de empleo y de los profesionales que aspiran a formar parte de él. La Maestría Oficial en Inteligencia de Negocios y Análisis de Datos agrupa, a lo largo de 10 módulos los contenidos más actualizados y relevantes sobre esa disciplina emergente. En concreto, aborda los lenguajes de programación que facilitan el manejo de la información, al igual que las técnicas más consolidadas de minería para esas referencias. Igualmente, ahondará en el aprendizaje automático y profundo, pasando por las estrategias de análisis masivo.

El modelo de aprendizaje implementado para este programa se adapta con facilidad a las necesidades del estudiante, permitiéndole desarrollar competencias teóricas y prácticas a lo largo de todo el temario. Para ello se vale del Relearning y la simulación de casos reales, metodologías de estudios de gran eficiencia para el desarrollo de habilidades. Además, esta titulación no está sujeta a horarios ni cronogramas predefinidos para que conseguir una mayor personalización del proceso educativo. Así, al completar esta Maestría Oficial, cada egresado tendrá la oportunidad de incorporarse de manera inmediata a un mercado profesional competitivo y exigente donde resaltará por su dominio del ejercicio empresarial centrado en la Inteligencia de Negocios.

TECH brinda la oportunidad de obtener la Maestría Oficial en Inteligencia de Negocios y Análisis de Datos en un formato 100% en línea, con titulación directa y un programa diseñado para aprovechar cada tarea en la adquisición de competencias para desempeñar un papel relevante en la empresa. Pero, además, con este programa, el estudiante tendrá acceso al estudio de idiomas extranjeros y formación continuada de modo que pueda potenciar su etapa de estudio y logre una ventaja competitiva con los egresados de otras universidades menos orientadas al mercado laboral.

Un camino creado para conseguir un cambio positivo a nivel profesional, relacionándose con los mejores y formando parte de la nueva generación de analistas y directores de negocios capaces de desarrollar su labor en cualquier lugar del mundo.

Gracias a TECH, tendrás la oportunidad de convertirte en un experto de máximo calibre en cuanto a la planificación de Recursos Empresariales y gestión de relaciones con el cliente”

El temario de esta titulación consta de diversos módulos académicos donde el alumno examinará aspectos como la Dirección Estratégica empresarial en el marco de la Analítica del Dato. Asimismo, ahondará en los programas informáticos y el hardware necesario para implementar la minería de información y utilizar estrategias más efectivas de visualización e interpretación de resultados. A su vez, ahondará en los lenguajes de programación que facilitan el desarrollo de esa clase de proyectos y como ajustar de manera inteligente los sistemas de planificación y gestión empresarial a los elementos recopilados.

Este plan de estudios recoge los aspectos más novedosos con respecto al Análisis de Datos en 10 módulos académicos de exigencia y rigor”

Plan de estudios

Esta titulación se imparte de manera 100% online en una plataforma de aprendizaje sin horarios ni cronogramas evaluativos continuos. De ese modo, cada estudiante cuenta con total flexibilidad para el estudio. Al mismo tiempo, se apoyará en metodologías vanguardistas, entre las cuales resalta el Relearning, para obtener habilidades prácticas de alta demanda en el mercado laboral.

También, los materiales teóricos de este plan de estudios serán acompañados por recursos multimedia. Por medio de vídeos, infografías y resúmenes interactivos, el alumno conseguirá asimilar con mayor facilidad en los conceptos más complejos. Igualmente, un equipo de grandes expertos asesorará en todo momento su capacitación.

Módulo 1. Analítica de Datos para la toma de Decisiones Estratégicas
Módulo 2. Aplicación de Inteligencia de Negocio por Áreas Departamentales
Módulo 3. Series Temporales y Previsión para Análisis de Datos
Módulo 4. Soluciones de Inteligencia de Negocio
Módulo 5. Dirección Estratégica mediante Analítica del Dato
Módulo 6. Tratamiento de Datos. Análisis Exploratorio y Preprocesamiento
Módulo 7. Minería de Datos: Del Aprendizaje Automático al Aprendizaje Profundo
Módulo 8. Manipulación y Analítica de Datos mediante Lenguajes de Programación
Módulo 9. Sistemas de Información Empresarial-Planificación de Recursos Empresariales y Gestión de relaciones con el cliente
Módulo 10. Sistemas de Datos Masivos

Dónde, cuándo y cómo se imparte

Esta Maestría Oficial se ofrece 100% en línea, por lo que el alumno podrá cursarla desde cualquier sitio, haciendo uso de una computadora, una tableta o simplemente mediante su smartphone.

Además, podrá acceder a los contenidos tanto online como offline. Para hacerlo offline bastará con descargarse los contenidos de los temas elegidos, en el dispositivo y abordarlos sin necesidad de estar conectado a internet.

El alumno podrá cursar la Maestría Oficial a través de sus 10 módulos, de forma autodirigida y asincrónica. Adaptamos el formato y la metodología para aprovechar al máximo el tiempo y lograr un aprendizaje a medida de las necesidades del alumno.

Los contenidos de esta titulación se apoyan en materiales teóricos y recursos multimedia de gran valor didáctico que te aportarán un proceso de aprendizaje rápido y flexible”

Módulo 1. Analítica e Datos para la toma de Decisiones Estratégicas

1.1. Mundo del dato

1.1.1. Inteligencia de Negocio (BI)
1.1.2. Características y arquitectura de un sistema de Inteligencia de Negocio
1.1.3. Herramientas
1.1.4. Ciberseguridad

1.2. Transformación del negocio

1.2.1. Por qué ahora
1.2.2. Diseño de un proyecto de Inteligencia de Negocio
1.2.3. Beneficios de la Inteligencia de Negocio en los departamentos de la empresa

1.3. El dato

1.3.1. Fuentes de datos
1.3.2. Extracción, limpieza, transformación y carga
1.3.3. Calidad y preparación de los datos
1.3.4. El modelo de negocio
1.3.5. El modelo de Datos
1.3.6. Modelo físico: Desarrollo y carga

1.4. Almacenamiento y procesamiento masivo de datos

1.4.1. Almacenamiento masivo de datos
1.4.2. Tecnologías de bases de datos
1.4.3. Almacenamiento masivo de datos en la nube
1.4.4. Procesamiento masivo de datos
1.4.5. Procesamiento de base de datos en la Nube

1.5. Análisis de bases de datos

1.5.1. Análisis
1.5.2. Análisis predictivo
1.5.3. Análisis de patrones
1.5.4. Aprendizaje automático
1.5.5. Análisis de bases de datos en la Nube

1.6. Visualización y consumo del dato

1.6.1. Herramientas para la visualización del dato
1.6.2. Diseño de Informes
1.6.3. Cuadro de Mando Integral y los Indicadores claves de rendimiento (Kpi´s)

1.7. Seguridad y Gobernanza

1.7.1. Seguridad
1.7.2. Gobernanza de los datos

1.8. Ciencia de datos

1.8.1. Diferencias entre aprendizaje profundo y aprendizaje automático
1.8.2. Fundamentos del aprendizaje profundo y aprendizaje automático
1.8.3. Utilidades del aprendizaje profundo y aprendizaje automático

1.9. Soluciones de Inteligencia de Negocio

1.9.1. La Mejor elección para mi negocio
1.9.2. Mercado actual
1.9.3. Características de una buena herramienta
1.9.4. Herramienta destinada a la inteligencia empresarial Power BI
1.9.5. Plataformas MicroStrategy y Tableau
1.9.6. Programa informático SAP BI, Servidor de Inteligencia de Negocio Empresarial (SAS BI) y Herramienta Qlikview
1.9.7. Otras herramientas

1.10. Inteligencia de Negocios en la empresa

1.10.1. Por qué desarrollar un proyecto de Inteligencia de Negocio
1.10.2. Primeros pasos, requisitos y objetivos
1.10.3. Elección de la herramienta y selección del equipo de trabajo
1.10.4. Desarrollo del proyecto
1.10.5. Nuevas competencias y nuevos roles

Módulo 2. Aplicación de Inteligencia de Negocio por Áreas Departamentales

2.1. Analítica de negocio y Gestión de la información

2.1.1. Perspectivas para el análisis de negocio
2.1.2. Instrumentos para el Análisis
2.1.3. Fases del Análisis
2.1.4. Elementos del Análisis
2.1.5. Infraestructura del dato

2.2. Inteligencia de Negocio por departamentos

2.2.1. Beneficios de informes y cuadros de mando diferenciados por departamentos
2.2.2. Informes operativos, tácticos y estratégicos
2.2.3. Departamento de Mercadotecnia
2.2.4. Departamento de ventas
2.2.5. Departamento de atención al cliente
2.2.6. Departamento de compras
2.2.7. Departamento económico-financiero
2.2.8. Departamento de Recursos Humanos
2.2.9. Departamento de producción

2.3. Departamento de mercadotecnia y comunicación

2.3.1. Necesidades del departamento de mercadotecnia
2.3.2. Almacén de datos y sistemas de mercadotecnia
2.3.3. Aplicaciones y ventajas
2.3.4. Desafíos para implantar una estructura de inteligencia de negocio en departamento de mercadotecnia

2.4. Plan de mercadotecnia y comunicación

2.4.1. Indicador clave de rendimiento (Kpi´s) y Retorno de la Inversión (ROI)
2.4.2. Estudio de antecedentes
2.4.3. Predicción para el plan de mercadotecnia
2.4.4. Estrategias de mercadotecnia
2.4.5. Gestión de campañas

2.5. Departamento de Ventas

2.5.1. Necesidades del departamento de Ventas
2.5.2. Investigación de mercados
2.5.3. Relación con el cliente

2.6. Departamento de atención al cliente

2.6.1. Necesidades del departamento de atención al cliente
2.6.2. Calidad personal e inteligencia emocional
2.6.3. Satisfacción del cliente
2.6.4. Fidelización

2.7. Departamento de compras

2.7.1. Necesidades del departamento de compras
2.7.2. Estudios del mercado y competencias
2.7.3. Aplicaciones

2.8. Departamento económico-financiero

2.8.1. Necesidades del departamento económico-financiero
2.8.2. Almacén de datos y análisis de riesgo financiero
2.8.3. Almacén de datos y análisis de riesgo de crédito
2.8.4. Otras áreas de aplicación

2.9. Departamento de Recursos Humanos

2.9.1. Necesidades del departamento de Recursos Humanos
2.9.2. Ventajas del uso de herramientas de Inteligencia de Negocio
2.9.3. Aplicación de Inteligencia de negocio a los Recursos Humanos

2.10. Departamento de Tecnologías de la Información

2.10.1. Necesidades del departamento de tecnologías de la información
2.10.2. Analítica del dato en la transformación digital
2.10.3. Productividad
2.10.4. Innovación

Módulo 3. Series Temporales y Previsión para Análisis de Datos

3.1. Series temporales

3.1.1. Objetivos
3.1.2. Aplicabilidad

3.2. Componentes de una serie temporal

3.2.1. Componente tendencia - Estacional
3.2.2. Ciclo
3.2.3. Residuos

3.3. Tipos de series temporales

3.3.1. Series temporales estacionarias
3.3.2. Series no estacionarias
3.3.3. Transformación Box-Cox

3.4. Métodos básicos de previsión

3.4.1. Media
3.4.2. Modelo Naïve
3.4.3. Modelo Naïve estacional
3.4.4. Comparación de métodos

3.5. Análisis de residuos

3.5.1. Autocorrelación
3.5.2. Función de Autocorrelación Simple (ACF) de residuos
3.5.3. Prueba de correlación

3.6. Modelos predictivos de series temporales

3.6.1. Modelo autorregresivo integrado de media móvil (ARIMA)
3.6.2. Autorización de devolución de mercancía (RMA)
3.6.3. Suavizado exponencial

3.7. Medidas de precisión del pronóstico

3.7.1. Error absoluto medio (MAE)
3.7.2. Error cuadrático medio (MSE)
3.7.3. Raíz del error cuadrático medio (RMSE)
3.7.4. Error porcentual medio absoluto (MAPE)

3.8. Etapas de pronóstico

3.8.1. Identificación modelo
3.8.2. Estimación
3.8.3. Verificación-Predicción

3.9. Manipulación y análisis de Series temporales con R

3.9.1. Preparación de los datos
3.9.2. Identificación de patrones
3.9.3. Análisis del modelo
3.9.4. Predicción

3.10. Análisis gráficos combinados con R

3.10.1. Generalidades
3.10.2. Aplicación del Análisis gráfico combinado con R

Módulo 4. Soluciones de Inteligencia de Negocio

4.1. Ciclo de Vida del Dato

4.1.1. Inteligencia de Negocio
4.1.2. Evolución del concepto Inteligencia de Negocio
4.1.3. Ciclo de Vida del Dato

4.2. Tipos de Analítica

4.2.1. Analítica Descriptiva
4.2.2. Analítica Prescriptiva
4.2.3. Analítica Predictiva

4.3. Tipos de Datos

4.3.1. Datos Estructurados
4.3.2. Datos Semi Estructurados
4.3.3. Datos No Estructurados

4.4. Almacenamiento del Dato

4.4.1. Lago de datos (Data Lake)
4.4.2. Almacén de datos (Data Warehouse)
4.4.3. Base de datos departamental (Data Mart)

4.5. Gestión del Dato

4.5.1. Etapas: Extracción, Transformación y Carga
4.5.2. Paradigma extraer, transformar, carga (ETL)
4.5.3. Paradigma extraer, cargar, transformar (ELT)

4.6. Soluciones de Inteligencia de Negocio: herramienta Power BI

4.6.1. Generalidades
4.6.2. Ecosistema
4.6.3. Posibles fortalezas y debilidades

4.7. Soluciones de Inteligencia de Negocio: plataforma Tableau

4.7.1. Generalidades
4.7.2. Ecosistema
4.7.3. Posibles fortalezas y debilidades

4.8. Soluciones de Inteligencia de Negocio: plataforma Qlik

4.8.1. Generalidades
4.8.2. Ecosistema
4.8.3. Posibles fortalezas y debilidades

4.9. Soluciones de Inteligencia de Negocio: aplicación Prometeus

4.9.1. Generalidades
4.9.2. Ecosistema
4.9.3. Posibles fortalezas y debilidades

4.10. El futuro de la Inteligencia de Negocio

4.10.1. Servicios en la nube (Cloud)
4.10.2. Inteligencia de Negocio de Autoconsumo
4.10.3. Integración con Ciencia de Datos: Generación de valor

Módulo 5. Dirección Estratégica mediante Analítica del Dato

5.1. Negocios y la gran base de datos

5.1.1. Los negocios y la gran base de datos
5.1.2. Valor
5.1.3. Proyectos de valor

5.2. Ventajas de la Mercadotecnia Digital

5.2.1. Mercadotecnia digital
5.2.2. Ventajas de la aplicación de la mercadotecnia digital

5.3. Planificación de la Mercadotecnia Digital

5.3.1. Campañas
5.3.2. Accionamiento y redención
5.3.3. Opciones en la estrategia de mercadotecnia digital
5.3.4. Planificación

5.4. Puesta en marcha de la Mercadotecnia Digital

5.4.1. Relación del ciclo de vida de cliente con la mercadotecnia digital
5.4.2. Páginas web
5.4.3. Herramientas

5.5. Ciclo de vida

5.5.1. Trayecto del cliente
5.5.2. Campañas y ciclo de vida
5.5.3. Indicador clave de rendimiento (KPIs) de campañas

5.6. Campañas y datos

5.6.1. Almacén de datos y sistema datalab
5.6.2. Herramientas para formar campañas
5.6.3. Técnicas de accionamiento

5.7. Datos personales en mercadotecnia digital

5.7.1. Gestión del dato personal y anonimización
5.7.2. Robinson
5.7.3. Tipos de exclusiones

5.8. Cuadro de mando

5.8.1. Indicadores
5.8.2. Receptores
5.8.3. Software de creación de cuadro de mandos
5.8.4. Conclusiones

5.9. Análisis y visión interna

5.9.1. Cliente 360º
5.9.2. Análisis y estrategia
5.9.3. Herramientas

5.10. Usos reales

5.10.1. Venta cruzada y de nuevos servicios
5.10.2. Modelos basados en propensión
5.10.3. Modelos fundamentados en puntuación de riesgo
5.10.4. Modelos predictivos
5.10.5. Ejemplos de tratamiento de imágenes

Módulo 6. Tratamiento de Datos. Análisis Exploratorio y Preprocesamiento

6.1. Estadística

6.1.1. Estadística descriptiva
6.1.2. Inferencia estadística
6.1.3. Pruebas paramétricas
6.1.4. Pruebas no paramétricas

6.2. Análisis exploratorio de datos

6.2.1. Análisis exploratorio de datos. Análisis descriptivo
6.2.2. Visualización de datos
6.2.3. Manipulación de datos

6.3. Preparación de datos

6.3.1. Integración de datos
6.3.2. Limpieza de datos
6.3.3. Normalización
6.3.4. Transformación

6.4. Valores perdidos y vacíos

6.4.1. Eliminando valores perdidos
6.4.2. Procedimientos de máxima verosimilitud
6.4.3. Imputación de valores perdidos

6.5. Ruido en los datos

6.5.1. Tipos de ruido
6.5.2. Detección y eliminación de ruido
6.5.3. Aprendiendo con ruido

6.6. El problema de la dimensionalidad

6.6.1. Sobremuestreo
6.6.2. Submuestreo
6.6.3. Análisis de componentes principales (PCA)

6.7. Discretización

6.7.1. Proceso de discretización
6.7.2. Métodos de discretización
6.7.3. Características y propiedades de los métodos de discretización

6.8. Selección de características

6.8.1. Procesos de selección
6.8.2. Criterios de selección
6.8.3. Métodos de selección de características

6.9. Selección de instancias

6.9.1. Clasificación de los métodos de selección de instancias
6.9.2. Selección de prototipos
6.9.3. Otros métodos para la selección de instancias

6.10. Preprocesamiento de datos en entornos de datos masivos

6.10.1. Datos masivos
6.10.2. Preprocesamiento de datos en entornos de macrodatos
6.10.3. Datos inteligentes

Módulo 7. Minería de Datos: Del Aprendizaje Automático al Aprendizaje Profundo

7.1. Conocimiento a partir de datos (KDD)

7.1.1. Selección
7.1.2. Preprocesamiento
7.1.3. Transformación
7.1.4. Minería de datos
7.1.5. Interpretación y evaluación

7.2. Aprendizaje automático

7.2.1. Aprendizaje supervisado
7.2.2. Aprendizaje no supervisado
7.2.3. Aprendizaje por refuerzo
7.2.4. Otros paradigmas de aprendizaje

7.3. Clasificación del Aprendizaje Supervisado

7.3.1. Árboles de decisión
7.3.2. Aprendizaje basado en reglas
7.3.3. Máquinas de Soporte Vectorial (SVM)
7.3.4. Algoritmos de vecinos más cercanos
7.3.5. Métricas

7.4. Regresión en el Aprendizaje Supervisado

7.4.1. Regresión Lineal
7.4.2. Regresión Logística
7.4.3. Modelos no lineales
7.4.4. Series Temporales
7.4.5. Métricas

7.5. Agrupamiento en el Aprendizaje Supervisado

7.5.1. Agrupamiento Jerárquico
7.5.2. Agrupamiento basado en distancias. Particional
7.5.3. Agrupamientos basados en densidad. Particional
7.5.4. Métricas

7.6. Reglas de Asociación en el Aprendizaje Supervisado

7.6.1. Reglas de Asociación. Medidas
7.6.2. Métodos de extracción de reglas
7.6.3. Métricas

7.7. Ensambles

7.7.1. Modelo Bagging
7.7.2. Modelo Random Forests
7.7.3. Modelo Boosting

7.8. Razonamiento probabilístico

7.8.1. Razonamiento probabilístico
7.8.2. Redes bayesianas
7.8.3. Modelos ocultos de Markov (Hidden Markov Models)

7.9. Redes Neuronales Artificiales

7.9.1. Perceptrón Multicapa
7.9.2. Regresión y Clasificación
7.9.3. Descenso del gradiente
7.9.4. Propagación hacia atrás (Backpropagation)
7.9.5. Funciones de activación
7.9.6. Ejemplo de red neuronal tipo “prealimentada”

7.10. Aprendizaje profundo

7.10.1. Redes Neuronales Profundas tipo prealimentadas
7.10.2. Redes Neuronales Convolucionales
7.10.3. Redes Neuronales Recurrentes y Recursivas
7.10.4. Herramientas para programar Redes Neuronales Profunda

Módulo 8. Manipulación y Analítica de Datos mediante Lenguajes de Programación

8.1. Lenguajes Python y R

8.1.1. Historia y características de los lenguajes
8.1.2. Instalación de Python
8.1.3. Instalación de R
8.1.4. Otras herramientas

8.2. Tipos de datos en lenguaje Python

8.2.1. Tipos básicos
8.2.2. Tipos complejos
8.2.3. Operaciones con datos
8.2.4. Estructuras de control
8.2.5. Operaciones con ficheros

8.3. Tipos de datos en lenguaje R

8.3.1. Tipos básicos
8.3.2. Tipos complejos
8.3.3. Operaciones con datos
8.3.4. Estructuras de control
8.3.5. Operaciones con ficheros

8.4. Extracción de información y visualización con lenguaje Python

8.4.1. Principales resúmenes estadísticos
8.4.2. Análisis univariable
8.4.3. Análisis multivariable

8.5. Extracción de información y visualización con lenguaje R

8.5.1. Principales resúmenes estadísticos
8.5.2. Análisis univariable
8.5.3. Análisis multivariable

8.6. Preprocesamiento en lenguaje Python

8.6.1. Detección y análisis de valor anómalo
8.6.2. Submuestreo y remuestreo
8.6.3. Reducción de dimensionalidad

8.7. Preprocesamiento en lenguaje R

8.7.1. Detección y análisis de valor anómalo
8.7.2. Submuestreo y remuestreo
8.7.3. Reducción de dimensionalidad

8.8. Modelado en lenguaje Python

8.8.1. División del conjunto de datos
8.8.2. Modelado básico y principales librerías
8.8.3. Predicción y evaluación de métricas

8.9. Modelado en lenguaje R

8.9.1. División en conjuntos de datos
8.9.2. Modelado básico y principales librerías
8.9.3. Predicción y evaluación de métricas

8.10. Comparación de lenguajes

8.10.1. Fortalezas y debilidades
8.10.2. Buenas prácticas
8.10.3. Conclusión y librerías de interés

Módulo 9. Sistemas de Información Empresarial-Planificación de Recursos Empresariales y Gestión de relaciones con el cliente

9.1. Planificación de Recursos Empresariales y Gestión de Relaciones con el Cliente

9.1.1. La Planificación de Recursos Empresariales
9.1.2. La Gestión de Relaciones con el Cliente
9.1.3. Diferencias entre Planificación de Recursos Empresariales y Gestión de Relaciones con el Cliente y punto de venta
9.1.4. Planificación de Recursos Empresariales y Gestión de Relaciones con el Cliente como impulsores del éxito empresarial

9.2. Planificación de Recursos Empresariales

9.2.1. Beneficios para nuestra empresa
9.2.2. Implantación de una Planificación de Recursos Empresariales
9.2.3. Últimos avances en Planificación de Recursos Empresariales

9.3. Planificación de Recursos Empresariales como optimizador de recursos

9.3.1. Módulos en un sistema de Planificación de Recursos Empresariales
9.3.2. Información extraída de la Planificación de Recursos Empresariales
9.3.3. Arquitectura
9.3.4. Ventajas e inconvenientes
9.3.5. Tipos de sistemas de Planificación de Recursos Empresariales

9.4. Sistemas de Planificación de Recursos Empresariales

9.4.1. Herramientas actuales en el mercado
9.4.2. La Planificación de Recursos Empresariales perfecto para nuestra empresa
9.4.3. Implantación y etapas

9.5. Gestión de Relaciones con el Cliente: Fidelización de clientes

9.5.1. Situación actual del entorno
9.5.2. Vender o Fidelizar
9.5.3. Rentabilidad de fidelizar clientes
9.5.4. Mercadotecnia de cliente
9.5.5. Tipos de programas
9.5.6. Factores de éxito
9.5.7. La fidelización electrónica. Estrategia Multicanal

9.6. Gestión de Relaciones con el Cliente: Creación y gestión de un sistema de información

9.6.1. Beneficios de invertir en un sistema de información
9.6.2. Diseño del sistema de información comercial
9.6.3. Estrategias de inversión en sistemas de información

9.7. Gestión de Relaciones con el Cliente: Acciones de comunicación con clientes

9.7.1. La comunicación
9.7.2. La Escucha
9.7.3. Contacto

9.8. Gestión de Relaciones con el Cliente: Detectar y recuperar clientes insatisfechos

9.8.1. El peligro de no preguntar
9.8.2. Ventajas de detectar errores
9.8.3. Cómo corregir y subsanar errores
9.8.4. Cómo recuperar al cliente y diseñar procesos de mejora continua

9.9. Gestión de Relaciones con el Cliente: Organización de eventos y programas especiales

9.9.1. Objetivos
9.9.2. Diseño de un evento
9.9.3. Realización de un evento
9.9.4. Evaluación de los resultados

9.10. Implementación de un programa de mercadotecnia relacional

9.10.1. Errores más frecuentes de implantación
9.10.2. Metodología de propuesta de implantación
9.10.3. Segmentación
9.10.4. Evaluación comparativa (Benchmarking)
9.10.5. Procesos
9.10.6. Formación
9.10.7. Sistemas
9.10.8. Diseño de las acciones de fidelización
9.10.9. Herramientas Gestión de Relaciones con el Cliente

Módulo 10. Sistemas de Datos Masivos

10.1. Sistemas de datos masivos

10.1.1. Escalabilidad
10.1.2. Confiabilidad
10.1.3. Mantenibilidad

10.2. Representaciones de datos

10.2.1. Evolución de los modelos de datos
10.2.2. Comparación del modelo relacional con el modelo de documentos
10.2.3. Modelo de grafos

10.3. Motores de almacenamiento y recuperación de datos

10.3.1. Almacenamiento en fichero con estructura de registro log
10.3.2. Almacenamiento en tablas de cadenas ordenadas
10.3.3. Árboles B

10.4. Modelos de flujos de datos y formatos de codificación

10.4.1. Flujo de datos en servicios REST
10.4.2. Flujo de datos en paso de mensajes
10.4.3. Diferentes formatos de envío de mensajes

10.5. Replicación

10.5.1. Teorema CAP
10.5.2. Modelos de consistencia
10.5.3. Diferentes modelos de líder y seguidores

10.6. Transacciones distribuidas

10.6.1. Operaciones atómicas
10.6.2. Transacciones distribuidas para bases de datos particionadas
10.6.3. Serializabilidad

10.7. Particionado

10.7.1. Tipos de particionado
10.7.2. Índices en particiones
10.7.3. Rebalanceado de particiones

10.8. Análisis de macrodatos: Hadoop

10.8.1. Arquitectura y flujo de datos
10.8.2. El sistema de archivos distribuido Hadoop (HDFS)
10.8.3. El marco MapReduce
10.8.4. Tratamiento de datos: HDFS, MapReduce y YARN

10.9. Herramientas de análisis de macrodatos sobre Hadoop

10.9.1. El ecosistema Hadoop
10.9.2. Un lenguaje para el análisis de datos masivos
10.9.3. Captura de datos masiva: Flume
10.9.4. Más allá del sistema de archivos distribuido Hadoop (HDFS) y MapReduce: Hive

10.10. Datos masivos y aprendizaje automático: Spark

10.10.1. Limitaciones al modelo de Hadoop
10.10.2. Arquitectura y flujo de datos
10.10.3. Tratamiento de datos en Spark: operaciones de Conjunto de datos distribuidos resistentes (RDDs)
10.10.4. Aprendizaje automático con Spark y Mahout

A partir de métodos novedosos de aprendizaje, como el Relearning, aprenderás a manejar un amplio número de herramientas digitales que intervienen en la visualización e interpretación de datos”