Con los sistemas de estudio a distancia mejor desarrollados, este Máster te permitirá aprender de forma contextual, aprendiendo de forma adecuada la parte práctica que necesitas”

En un mundo tan cambiante como el presente, la proliferación de nuevas tecnologías resulta una constante. En la actualidad, estamos acostumbrados a ver cómo herramientas, plataformas o tecnologías de vanguardia se convierten en elementos obsoletos con reducida aplicabilidad en el entorno empresarial.

Análogamente, resulta totalmente natural que tecnologías inexistentes o incipientes en nichos de mercado se transformen en tendencia en ámbitos más generales.

Sin ninguna duda, se trata de un proceso imparable y en constante evolución, máximo exponente de la revolución tecnológica actual, que obliga a los profesionales de las tecnologías de la información a una permanente especialización.

Ante esta situación, el Máster en MBA en Dirección Técnica de Data Science en la Empresa se ofrece como un programa de capacitación completo, incluyendo las tecnologías más punteras y demandadas en el ámbito empresarial.

Así pues, en un ejercicio de síntesis, desde una perspectiva tanto técnica como de negocio, ha sido seleccionado un conjunto de materias habitualmente no cubiertas por programas formativos generalistas, con el objetivo de dotar al alumno de los conocimientos tecnológicos necesarios para el abordaje de múltiples problemas tecnológicos actuales mediante el uso de las técnicas más adecuadas y avanzadas.

De este modo, la combinación tanto de materias puramente técnicas como de negocio, hacen de este Máster una especialización de vanguardia especialmente orientada a profesionales que persiguen el aprendizaje de las tecnologías más actualmente extendidas, o un mayor nivel de conocimiento de estas.

El principal objetivo es capacitar al alumno para que aplique en el mundo real los conocimientos adquiridos en esta capacitación, en un entorno de trabajo que reproduzca las condiciones que se puede encontrar en su futuro, de manera rigurosa y realista.

Al ser en un formato 100% online, el alumno no tendrá que renunciar a sus obligaciones personales o profesionales. Una vez finalizado el programa el alumno habrá actualizado sus conocimientos y estará en posesión un título de increíble prestigio que le permitirá avanzar personal y profesionalmente.

Un intensivo programa de crecimiento profesional que te permitirá intervenir en un sector con una creciente demanda de profesionales” 

Este Máster en MBA en Dirección Técnica de Data Science en la Empresa contiene el programa académico más completo y actualizado del mercado universitario. Sus características más destacadas son:

• El desarrollo de casos prácticos presentados por expertos en Dirección Técnica de Data Science en la Empresa
• Los contenidos gráficos, esquemáticos y eminentemente prácticos con los que está concebido recogen una información científica y práctica sobre aquellas disciplinas indispensables para el ejercicio profesional 
• Los ejercicios prácticos donde realizar el proceso de autoevaluación para mejorar el aprendizaje
• Su especial hincapié en metodologías innovadoras 
• Las lecciones teóricas, preguntas al experto, foros de discusión de temas controvertidos y trabajos de reflexión individual
• La disponibilidad de acceso a los contenidos desde cualquier dispositivo fijo o portátil con conexión a internet

En este Máster podrás compaginar la eficiencia de los métodos de aprendizaje más avanzados, con la flexibilidad de un programa creado para adaptarse a tus posibilidades de dedicación, sin perder calidad”

El programa incluye en su cuadro docente a profesionales del sector que vierten en esta capacitación la experiencia de su trabajo, además de reconocidos especialistas de sociedades de referencia y universidades de prestigio.

Su contenido multimedia, elaborado con la última tecnología educativa, permitirá al profesional un aprendizaje situado y contextual, es decir, un entorno simulado que proporcionará una capacitación inmersiva programada para entrenarse ante situaciones reales.

El diseño de este programa se centra en el Aprendizaje Basado en Problemas, mediante el cual el profesional deberá tratar de resolver las distintas situaciones de práctica profesional que se le planteen a lo largo del curso académico. Para ello, contará con la ayuda de un novedoso sistema de vídeo interactivo realizado por reconocidos expertos. 

Un programa completo y de vanguardia que te permitirá avanzar de forma progresiva y completa en la adquisición de los conocimientos que necesitas para intervenir en este sector"

Amplio pero específico, este programa te llevará al conocimiento concreto que el ingeniero informático necesita para competir entre los mejores del sector"

El programa de estudios ha sido diseñado en base a la eficacia educacional, seleccionando cuidadosamente los contenidos para ofrecer un recorrido completo, que incluye todos los campos de estudio imprescindibles para alcanzar el conocimiento real de la materia. Con las actualizaciones y aspectos más novedosos del sector. Se ha establecido así un plan de estudios cuyos módulos ofrecen una amplia perspectiva de la MBA en Dirección Técnica de Data Science en la Empresa. Desde el primer módulo el alumno verá ampliados sus conocimientos, que le capacitarán para desarrollarse profesionalmente, sabiendo que cuenta, además, con el respaldo de un equipo de expertos.

Todos los temas y áreas de conocimiento han sido recopilados en un temario completo y de absoluta actualidad, para llevar al alumno al máximo nivel tanto teórico como práctico”

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

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 en base a 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

10.7.1.1. Estilos relacionales: Enfoques
10.7.1.2. 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
10.8.2.3. Estrategias para resolver conflictos

10.8.3. 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 capacitación única que destaca por la calidad de su contenido y su excelente cuadro docente”