¿Por qué estudiar en TECH?

Triunfa de la mano de los mejores y adquiere los conocimientos y competencias necesarias para embarcarte en el sector de las tecnologías informáticas avanzadas” 

¿Por qué estudiar en TECH?

TECH es la mayor escuela de negocio 100% online del mundo. Se trata de una Escuela de Negocios de élite, con un modelo de máxima exigencia académica. Un centro de alto rendimiento internacional y de entrenamiento intensivo en habilidades directivas.   

TECH es una universidad de vanguardia tecnológica, que pone todos sus recursos al alcance del alumno para ayudarlo a alcanzar el éxito empresarial”

En TECH Global University

idea icon

Innovación

La universidad ofrece un modelo de aprendizaje en línea que combina la última tecnología educativa con el máximo rigor pedagógico. Un método único con el mayor reconocimiento internacional que aportará las claves para que el alumno pueda desarrollarse en un mundo en constante cambio, donde la innovación debe ser la apuesta esencial de todo empresario.

“Caso de Éxito Microsoft Europa” por incorporar en los programas un novedoso sistema de multivídeo interactivo. 
head icon

Máxima exigencia

El criterio de admisión de TECH no es económico. No se necesita realizar una gran inversión para estudiar en esta universidad. Eso sí, para titularse en TECH, se podrán a prueba los límites de inteligencia y capacidad del alumno. El listón académico de esta institución es muy alto...

95% de los alumnos de TECH finaliza sus estudios con éxito.
neuronas icon

Networking

En TECH participan profesionales de todos los países del mundo, de tal manera que el alumno podrá crear una gran red de contactos útil para su futuro. 

+100.000 directivos capacitados cada año, +200 nacionalidades distintas.
hands icon

Empowerment

El alumno crecerá de la mano de las mejores empresas y de profesionales de gran prestigio e influencia. TECH ha desarrollado alianzas estratégicas y una valiosa red de contactos con los principales actores económicos de los 7 continentes.

+500 acuerdos de colaboración con las mejores empresas.
star icon

Talento

Este programa es una propuesta única para sacar a la luz el talento del estudiante en el ámbito empresarial. Una oportunidad con la que podrá dar a conocer sus inquietudes y su visión de negocio.

TECH ayuda al alumno a enseñar al mundo su talento al finalizar este programa.
earth icon

Contexto multicultural

Estudiando en TECH el alumno podrá disfrutar de una experiencia única. Estudiará en un contexto multicultural. En un programa con visión global, gracias al cual podrá conocer la forma de trabajar en diferentes lugares del mundo, recopilando la información más novedosa y que mejor se adapta a su idea de negocio.

Los alumnos de TECH provienen de más de 200 nacionalidades.  
master finanzas
human icon

Aprende con los mejores

El equipo docente de TECH explica en las aulas lo que le ha llevado al éxito en sus empresas, trabajando desde un contexto real, vivo y dinámico. Docentes que se implican al máximo para ofrecer una especialización de calidad que permita al alumno avanzar en su carrera y lograr destacar en el ámbito empresarial.

Profesores de 20 nacionalidades diferentes.

TECH busca la excelencia y, para ello, cuenta con una serie de características que hacen de esta una universidad única:   

brain icon

Análisis 

En TECH se explora el lado crítico del alumno, su capacidad de cuestionarse las cosas, sus competencias en resolución de problemas y sus habilidades interpersonales.  

micro icon

Excelencia académica

En TECH se pone al alcance del alumno la mejor metodología de aprendizaje online. La universidad combina el método Relearning (metodología de aprendizaje de posgrado con mejor valoración internacional) con el Estudio de Caso. Tradición y vanguardia en un difícil equilibrio, y en el contexto del más exigente itinerario académico.   

corazon icon

Economía de escala

TECH es la universidad online más grande del mundo. Tiene un portfolio de más de 10.000 posgrados universitarios. Y en la nueva economía, volumen + tecnología = precio disruptivo. De esta manera, se asegura de que estudiar no resulte tan costoso como en otra universidad. 

En TECH tendrás acceso a los análisis de casos más rigurosos y actualizados del panorama académico” 

Estructura y contenido

El Maestría en MBA en Dirección Técnica de Data Science en la Empresa es un programa hecho a medida del alumno que se imparte en formato 100% online para que elija el momento y lugar que mejor se adapte a su disponibilidad, horarios e intereses.  Una capacitación que se desarrolla a lo largo de 12 meses y que pretende ser una experiencia única y estimulante que siembre las bases para tu éxito profesional. 

Lo que estudias es muy importante. Las destrezas y competencias que adquieres es lo fundamental. No encontrarás un temario más completo que este, créenos”  

Plan de estudios

El Maestría en MBA en Dirección Técnica de Data Science en la Empresa de TECH Global University es un programa intensivo que prepara al alumno para afrontar retos y decisiones empresariales en el ámbito del MBA en Dirección Técnica de Data Science en la Empresa.   

El contenido del Maestría en MBA en Dirección Técnica de Data Science en la Empresa está pensado para favorecer el desarrollo de las competencias que permitan la toma de decisiones con un mayor rigor en entornos inciertos. 

A lo largo de 1.500 horas de estudio, el alumno analizará multitud de casos prácticos mediante el trabajo individual y en equipo. Se trata, por tanto, de una auténtica inmersión en situaciones reales de negocio.  

Este Maestría trata en profundidad el mundo de la informática en el ámbito empresarial, y está diseñado para capacitar a profesionales que entiendan las MBA en Dirección Técnica de Data Science en la Empresa desde una perspectiva estratégica, internacional e innovadora. 

Un plan pensado para el alumno, enfocado en su mejora profesional y que lo prepara para alcanzar la excelencia en el ámbito de la dirección y la gestión empresarial. Un programa que entiende las necesidades y las de su empresa mediante un contenido innovador basado en las últimas tendencias, y apoyado por la mejor metodología educativa y un claustro excepcional, que le otorgará competencias para resolver situaciones críticas de forma creativa y eficiente.  

Este Maestría se desarrolla a lo largo de 12 meses y se divide en 10 módulos: 

Módulo 1. Principales sistemas de Gestión de Información
Módulo 2. Tipos y ciclo de vida del dato
Módulo 3. Número-Aprendizaje automático 
Módulo 4. Analítica web
Módulo 5. Normativas para gestión de datos
Módulo 6. Sistemas escalables y confiables de uso masivo de datos 
Módulo 7. Administración de sistemas para despliegues distribuidos
Módulo 8. Internet of Things 
Módulo 9. Gestión de Proyectos y metodologías Agile
Módulo 10. Comunicación, Liderazgo y Gestión de Equipos

master online mba en gestión y dirección de clínicas dentales

¿Dónde, cuándo y cómo se imparte?

TECH ofrece la posibilidad de desarrollar este programa de manera totalmente online. Durante los 12 meses que dura la capacitación, el estudiante podrá acceder a todos los contenidos de este programa en cualquier momento, lo que le permitirá autogestionar su tiempo de estudio. 

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 semi-supervisado. 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. Indroducción
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 

4.5. Configuración de Google Analytics 

4.5.1. Instalación. Creación de la cuenta 
4.5.2. Versiones de la herramienta: UA/GA4 
4.5.3. Etiqueta de seguimiento 
4.5.4. Objetivos de conversión 

4.6. Organización de Google Analytics 

4.6.1. Cuenta 
4.6.2. Propiedad 
4.6.3. Vista 

4.7. Informes de Google Analytics 

4.7.1. En tiempo real 
4.7.2. Audiencia 
4.7.3. Adquisición 
4.7.4. Comportamiento 
4.7.5. Conversiones 
4.7.6. Comercio electrónico 

4.8. Informes Avanzados de Google Analytics 

4.8.1. Informes personalizados 
4.8.2. Paneles 
4.8.3. APIs 

4.9. Filtros y Segmentos 

4.9.1. Filtro 
4.9.2. Segmento 
4.9.3. Tipos de segmentos: predefinidos/personalizados 
4.9.4. Listas de Remarketing 

4.10. Plan de Analítica Digital 

4.10.1. Medición 
4.10.2. Implementación en el entorno tecnológico 
4.10.3. Conclusiones 

Módulo 5. Normativas para Gestión de Datos  

5.1. Marco regulatorio

5.1.1. Marco normativo y definiciones
5.1.2. Responsables, corresponsables y encargados de tratamiento
5.1.3. Próximo marco normativo en materia de inteligencia artificial

5.2. Principios relativos al tratamiento de datos personales

5.2.1. Licitud, lealtad y transparencia y limitación de la finalidad
5.2.2. Minimización de datos, exactitud y limitación del plazo de conservación
5.2.3. Integridad y confidencialidad
5.2.4. Responsabilidad proactiva

5.3. Legitimación y habilitación para el tratamiento

5.3.1. Bases de legitimación
5.3.2. Habilitaciones para el tratamiento de categorías especiales de datos
5.3.3. Comunicaciones de datos

5.4. Derechos de los individuos

5.4.1. Transparencia e información
5.4.2. Acceso
5.4.3. Rectificación y supresión (derecho al olvido), limitación y portabilidad
5.4.4. Oposición y decisiones individuales automatizadas
5.4.5. Límites a los derechos

5.5. Análisis y gestión de riesgos

5.5.1. Identificación de riesgos y amenazas para los derechos y libertades de las personas físicas
5.5.2. Evaluación de riesgos
5.5.3. Plan de tratamiento de riesgos

5.6. Medidas de responsabilidad proactiva

5.6.1. Identificación de técnicas para garantizar y acreditar cumplimiento
5.6.2. Medidas organizativas
5.6.3. Medidas técnicas
5.6.4. Gestión de violaciones de la seguridad de los datos personales
5.6.5. El Registro de actividades de tratamiento 

5.7. La Evaluación de Impacto relativa a la protección de los datos personales (EIPD o DPIA)

5.7.1. Actividades que requieren EIPD  
5.7.2. Metodología de evaluación
5.7.3. Identificación de riesgos, amenazas y consulta a la autoridad de control

5.8. Regulación contractual: responsables, encargados y otros sujetos

5.8.1. Contratos en materia de protección de datos
5.8.2. Atribución de responsabilidades
5.8.3. Contratos entre corresponsables

5.9. Transferencias internacionales de datos

5.9.1. Definición y garantías que deben adoptarse
5.9.2. Las cláusulas contractuales tipo
5.9.3. Otros instrumentos para regular transferencias

5.10. Infracciones y sanciones

5.10.1. Infracciones y sanciones
5.10.2. Criterios de graduación en materia sancionadora
5.10.3. El Delegado de Protección de Datos
5.10.4. Funciones de las autoridades de control

Módulo 6. Sistemas Escalables y Confiables de Uso Masivo de Datos  

6.1. Escalabilidad, Confiabilidad y Mantenibilidad 

6.1.1. Escalabilidad 
6.1.2. Confiabilidad 
6.1.3. Mantenibilidad 

6.2. Modelos de datos 

6.2.1. Evolución de los modelos de datos 
6.2.2. Comparación del modelo relacional con el modelo NoSQL basado en documentos 
6.2.3. Modelo de grafos 

6.3. Motores de almacenamiento y recuperación de datos 

6.3.1. Almacenamiento estructurado en log 
6.3.2. Almacenamiento en tablas de segmentos 
6.3.3. Árboles B 

6.4. Servicios, paso de mensajes y formatos para codificar datos 

6.4.1. Flujo de datos en servicios REST 
6.4.2. Flujo de datos en paso de mensajes 
6.4.3. Formatos de envío de mensajes 

6.5. Replicación 

6.5.1. Teorema CAP 
6.5.2. Modelos de consistencia 
6.5.3. Modelos de réplica con base en conceptos de líder y seguidores 

6.6. Transacciones distribuidas 

6.6.1. Operaciones atómicas 
6.6.2. Transacciones distribuidas desde diferentes enfoques Calvin, Spanner 
6.6.3. Serializabilidad 

6.7. Particionado 

6.7.1. Tipos de particionado
6.7.2. Índices en particiones
6.7.3. Rebalanceado de particiones

6.8. Procesamiento por lotes 

6.8.1. El Procesamiento por lotes 
6.8.2. MapReduce 
6.8.3. Enfoques posteriores a MapReduce 

6.9. Procesamiento de flujos de datos 

6.9.1. Sistemas de mensajes 
6.9.2. Persistencia de flujos de datos 
6.9.3. Usos y operaciones con flujos de datos 

6.10. Casos de uso. Twitter, Facebook, Uber 

6.10.1. Twitter: el uso de caches 
6.10.2. Facebook: modelos no relacionales 
6.10.3. Uber: diferentes modelos para diferentes propósitos 

Módulo 7. Administración de Sistemas para Despliegues Distribuidos  

7.1. Administración clásica. El Modelo monolítico 

7.1.1. Aplicaciones clásicas. Modelo monolítico 
7.1.2. Requisitos de sistemas para aplicaciones monolíticas 
7.1.3. La administración de sistemas monolíticos 
7.1.4. Automatización 

7.2. Aplicaciones distribuidas. El microservicio 

7.2.1. Paradigma de computación distribuida 
7.2.2. Modelos basados en microservicios 
7.2.3. Requisitos de sistemas para modelos distribuidos 
7.2.4. Aplicaciones monolíticas vs. aplicaciones distribuidas 

7.3. Herramientas para la explotación de recursos 

7.3.1. Gestión del “hierro” 
7.3.2. Virtualización 
7.3.3. Emulación 
7.3.4. Paravirtualización 

7.4. Modelos IaaS, PaaS y SaaS 

7.4.1. Modelo IaaS 
7.4.2. Modelo PaaS 
7.4.3. Modelo SaaS 
7.4.4. Patrones de diseño 

7.5. Containerización 

7.5.1. Virtualización con cgroups 
7.5.2. Containers 
7.5.3. De la aplicación al contenedor 
7.5.4. Orquestación de contenedores 

7.6. Clusterización 

7.6.1. Alto rendimiento y alta disponibilidad 
7.6.2. Modelos de alta disponibilidad 
7.6.3. Clúster como plataforma SaaS 
7.6.4. Securización de clústers 

7.7. Cloud computing 

7.7.1. Clústers vs. clouds 
7.7.2. Tipos de clouds 
7.7.3. Modelos de servicio en cloud 
7.7.4. Sobresuscripción 

7.8. Monitorización y testing 

7.8.1. Tipos de monitorización 
7.8.2. Visualización 
7.8.3. Tests de infraestructura 
7.8.4. Ingeniería del caos 

7.9. Caso de estudio: Kubernetes 

7.9.1. Estructura 
7.9.2. Administración 
7.9.3. Despliegue de servicios 
7.9.4. Desarrollo de servicios para K8S

7.10. Caso de estudio: OpenStack 

7.10.1. Estructura 
7.10.2. Administración 
7.10.3. Despliegues 
7.10.4. Desarrollo de servicios para OpenStack 

Módulo 8. Internet of Things  

8.1. Internet of Things (IoT)

8.1.1. Internet del futuro
8.1.2. Internet of Things e Industrial Internet of Things  
8.1.3. El consorcio de internet industrial

8.2. Arquitectura de referencia   

8.2.1. La Arquitectura de referencia  
8.2.2. Capas y componentes  

8.3. Dispositivos IoT   

8.3.1. Clasificación  
8.3.2. Componentes   
8.3.3. Sensores y actuadores  

8.4. Protocolos de comunicaciones   

8.4.1. Clasificación  
8.4.2. Modelo OSI  
8.4.3. Tecnologías  

8.5. Plataformas IoT e IIoT   

8.5.1. La Plataforma IoT  
8.5.2. Plataformas Cloud de propósito general  
8.5.3. Plataformas Industriales  
8.5.4. Plataformas de código abierto  

8.6. Gestión de datos en plataformas IoT  

8.6.1. Mecanismos de gestión  
8.6.2. Datos abiertos  
8.6.3. Intercambio de datos  
8.6.4. Visualización de datos  

8.7. Seguridad en IoT  

8.7.1. Requisitos de seguridad  
8.7.2. Áreas de seguridad  
8.7.3. Estrategias de seguridad  
8.7.4. Seguridad en IIoT  

8.8. Áreas de aplicación de sistemas IoT   

8.8.1. Ciudades inteligentes  
8.8.2. Salud y condición física  
8.8.3. Hogar inteligente  
8.8.4. Otras aplicaciones  

8.9. Aplicación de IIoT a los distintos sectores industriales   

8.9.1. Fabricación  
8.9.2. Transporte  
8.9.3. Energía  
8.9.4. Agricultura y ganadería  
8.9.5. Otros sectores  

8.10. Integración del IIoT en el modelo de industria 4.0   

8.10.1. IoRT (Internet of Robotics Things)  
8.10.2. Fabricación aditiva 3D  
8.10.3. Big Data Analytics 

Módulo 9. Gestión de Proyectos y Metodologías Agile

9.1. Dirección y Gestión de Proyectos  

9.1.1. El Proyecto 
9.1.2. Fases de un Proyecto 
9.1.3. Dirección y Gestión de Proyectos 

9.2. Metodología PMI para la Gestión de Proyectos 

9.2.1. PMI (Project Management Institute
9.2.2. PMBOK 
9.2.3. Diferencia entre proyecto, programa y porfolio de proyectos 
9.2.4. Evolución de las organizaciones que trabajan con proyectos
9.2.5. Activos de los procesos en las organizaciones 

9.3. Metodología PMI para la Gestión de Proyectos: procesos  

9.3.1. Grupos de procesos 
9.3.2. Áreas de conocimiento 
9.3.3. Matriz de procesos 

9.4. Metodologías Agile para la Gestión de Proyectos 

9.4.1. Contexto VUCA (Volatilidad, incertidumbre, complejidad y ambigüedad) 
9.4.2. Valores Agile 
9.4.3. Principios del manifiesto Agile 

9.5. Framework Agile SCRUM para la Gestión de Proyectos  

9.5.1. SCRUM
9.5.2. Los pilares de la metodología SCRUM
9.5.3. Los valores en SCRUM

9.6. Framework Agile SCRUM para la Gestión de Proyectos. Proceso 

9.6.1. El proceso de SCRUM
9.6.2. Roles tipificados en un proceso SCRUM
9.6.3. Las ceremonias en SCRUM

9.7. Framework Agile SCRUM para la Gestión de Proyectos. Artefactos  

9.7.1. Artefactos en un proceso SCRUM
9.7.2. El Equipo SCRUM
9.7.3. Métricas para evaluación del rendimiento de un equipo SCRUM

9.8. Framework Agile KANBAN para la Gestión de Proyectos. Método Kanban 

9.8.1. Kanban 
9.8.2. Beneficios de Kanban 
9.8.3. Método Kanban. Elementos 

9.9. Framework Agile KANBAN para la Gestión de Proyectos. Prácticas del Método Kanban 

9.9.1. Los valores de Kanban 
9.9.2. Principios del método Kanban 
9.9.3. Prácticas generales del método Kanban 
9.9.4. Métricas para evaluación del rendimiento de Kanban 

9.10. Comparación: PMI, SCRUM y KANBAN  

9.10.1. PMI–SCRUM 
9.10.2. PMI–KANBAN 
9.10.3. SCRUM-KANBAN 

Módulo 10. Comunicación, Liderazgo y Gestión de Equipos 

10.1. Desarrollo Organizativo en la Empresa 

10.1.1. Clima, Cultura y Desarrollo Organizativo en la Empresa 
10.1.2. La Gestión del Capital humano 

10.2. Modelos de Dirección. Toma de Decisiones 

10.2.1. Cambio de paradigma en los modelos de dirección 
10.2.2. Proceso directivo de la empresa tecnológica 
10.2.3. Toma de decisiones. Instrumentos de planificación 

10.3. Liderazgo. Delegación y Empowerment 

10.3.1. Liderazgo 
10.3.2. Delegación y Empowerment 
10.3.3. Evaluación del Desempeño

10.4. Liderazgo. Gestión del Talento y del Compromiso 

10.4.1. Gestión del Talento en la Empresa 
10.4.2. Gestión del Compromiso en la Empresa 
10.4.3. Mejora de la Comunicación en la empresa 

10.5. Coaching Aplicado a la Empresa 

10.5.1. Coaching Directivo 
10.5.2. Coaching de Equipos 

10.6. Mentoring Aplicado a la Empresa 

10.6.1. Perfil del Mentor 
10.6.2. Los 4 procesos de un programa de Mentoring 
10.6.3. Herramientas y técnicas en un Proceso de Mentoring 
10.6.4. Beneficios del Mentoring en el ámbito de la Empresa 

10.7. Gestión de Equipos I. Las Relaciones Interpersonales 

10.7.1. Relaciones Interpersonales 
10.7.2. Estilos relacionales: enfoques 
10.7.3. Reuniones efectivas y acuerdos en situaciones difíciles 

10.8. Gestión de Equipos II. Los Conflictos 

10.8.1. Los conflictos 
10.8.2. Prevenir, afrontar y resolver el conflicto 

10.8.2.1. Estrategias para prevenir el conflicto 
10.8.2.2. La gestión de conflictos. Principios básicos 

10.8.3. Estrategias para resolver conflictos 
10.8.4. Estrés y motivación laboral 

10.9. Gestión de Equipos III. La Negociación 

10.9.1. La negociación en el ámbito directivo de las empresas tecnológicas 
10.9.2. Estilos de negociación 
10.9.3. Fases de la negociación 

10.9.3.1. Barreras a superar en las negociaciones 

10.10. Gestión de Equipos IV. Técnicas de Negociación 

10.10.1. Técnicas y estrategias de negociación 

10.10.1.1. Estrategias y principales tipos de negociación 
10.10.1.2. Tácticas de negociación y cuestiones prácticas 

10.10.2. La figura del sujeto negociador 

Una experiencia de aprendizaje única, clave y decisiva para impulsar tu desarrollo profesional y dar el salto definitivo” 

Máster MBA en Dirección Técnica de Data Science en la Empresa

La gestión de información en las empresas es de vital importancia para su expansión, en tanto que favorece la potencialización de oportunidades de negocio mediante el estudio comportamental de los procesos internos y externos. Teniendo en cuenta que en TECH Global University uno de nuestros principales objetivos es brindar un espacio académico de especialización profesional, hemos creado este programa focalizado en todo lo referente a los datos, desde su ciclo de vida, hasta el manejo de los diferentes sistemas, como el escalable y el de despliegue distribuido. Específicamente, el plan de estudios, diseñado por el equipo docente, presenta ejes temáticos centrados en los algoritmos de aprendizaje automático, en la analítica web, en las normativas que regulan la administración de datos, en el papel que desempeña el denominado “Internet of Things” y en la aplicación de metodologías Agile para el desarrollo de proyectos. Además, ofrece contenidos con respecto al fomento del liderazgo en la cultura organizacional como fuente para la creación de equipos de trabajo.

Máster en Dirección Técnica de Data Science en Empresas

Cursar este posgrado ofertado por la Escuela de Negocios de TECH constituye una interesante oportunidad para liderar los procesos de digitalización empresarial, puesto que dota al alumnado con las herramientas necesarias para llevar a cabo las actividades propias de su labor, como lo son la recolección, limpieza, procesamiento y representación de los datos. Gracias al dominio de las competencias analítico-interpretativas, indispensables para el abordaje de estas arquitecturas informáticas, el profesional proporcionará a las compañías para las que trabaje una serie de informes, donde detallará el funcionamiento organizacional y productivo para así, posteriormente, establecer marcos de acción encaminados a la optimización del rendimiento. Así mismo, a partir de la identificación de las situaciones de conveniencia y de la evaluación de los riesgos, le será posible preparar planes de renovación integral que garanticen la aplicación eficaz de Data Science en empresas, contribuyendo, de esta manera, a la edificación de modelos fluidos, fácilmente adaptables a los cambios tecnológicos. Todo ello, entonces, simplificará las tomas de decisión que guiarán la inserción de estas organizaciones en el mercado nacional e internacional.