Estás ante un Máster Semipresencial que te llevará a progresar profesionalmente en el área de Data Science y formar parte de las grandes compañías del sector”

Hoy en día, en un mundo globalizado y sumergido en el comercio online, la información y los datos fluyen a gran velocidad y en grandes cantidades. Es por ello, por lo que la recopilación de los mismos y su aplicación estrategia empresarial ha supuesto un importante impulso a la ciencia de datos. Es por ello, por lo que las compañías apuestan por su uso para poder trazar mejores estrategias de negocio, ampliar sus conocimientos sobre el consumidor, detectar riesgo de pérdidas o establecer campañas de marketing más efectivas.

De esta manera, el Data Science comprende una combinación de métodos matemáticos, informática, habilidades para el análisis y comunicación óptima de los resultados obtenidos. Una especialidad, que requiere, por tanto, de profesionales cualificados y con capacidades para la gestión de equipos. En este escenario, TECH ofrece este Máster Semipresencial, que aporta al alumnado una enseñanza de calidad, con un marco teórico 100% online, que se complementa con una estancia práctica en una empresa referente en esta área.

Un programa, que llevará a lo largo de 12 meses, a profundizar en los principales sistemas de gestión de información, el ciclo de vida de los datos, el aprendizaje automático o la analítica web. Todo ello, mediante recursos didácticos multimedia a los que podrá acceder, cómodamente cuando desee, desde cualquier dispositivo electrónico con conexión a internet. 

Asimismo, el egresado podrá aplicar todos los conceptos adquiridos durante las 3 semanas de duración de la estadía presencial. Un periodo, donde el alumnado estará tutorizado por profesionales de excelente nivel y con experiencia en Data Science. Este escenario, no solo le llevará a conocer de primera mano las técnicas y metodologías actuales empleadas en esta área, sino que también le llevará a lograr un aprendizaje más completo en un área de constante innovación.

Esta institución ofrece de este modo, una excelente oportunidad para el alumnado que desee avanzar profesionalmente en un sector en auge. Todo ello, a través de un enfoque teórico-práctico, que le acerca a la realidad más actual del Data Science, mediante una titulación única en el panorama pedagógico presente. 

Con esta titulación universitaria conseguirás obtener un avanzado conocimiento sobre analítica web y contribuir con ello al desarrollo exitoso de negocios online”

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

• Desarrollo de más de 100 casos presentados por profesionales de Data Science en empresas
• Sus contenidos gráficos, esquemáticos y eminentemente prácticos con los que están concebidos, recogen una información científica y asistencial sobre aquellas disciplinas médicas indispensables para el ejercicio profesional
• Desarrollo de las actividades y fases del proceso de evaluación de impacto en protección de datos
• Con un especial hincapié en la normativa para gestión de datos
• Conocimiento de las herramientas más útiles para la implementación de modelos IaaS y PaaS
• Todo esto se complementará con lecciones teóricas, preguntas al experto, foros de discusión de temas controvertidos y trabajos de reflexión individual
• Disponibilidad de los contenidos desde cualquier dispositivo fijo o portátil con conexión a internet
• Además, podrás realizar una estancia de prácticas en uno de los mejores centros de Data Science

Cursa una estancia intensiva de 3 semanas en un centro de prestigio y adquiere de la mano de un excelente equipo de expertos, las habilidades que necesitas para progresar profesionalmente”

En esta propuesta de Máster, de carácter profesionalizante y modalidad semipresencial, el programa está dirigido a la actualización de profesionales de la informática que desarrollan sus empresas tecnológicas, y que requieren un alto nivel de cualificación. Los contenidos están basados en la última evidencia científica, y orientados de manera didáctica para integrar el saber teórico en la práctica de la dirección técnica de Data Science, y los elementos teórico-prácticos facilitarán la adquisición de conocimiento y permitirán la toma adecuada de decisiones en el ámbito tecnológico.

Gracias a su contenido multimedia elaborado con la última tecnología educativa, permitirán al profesional de la informática un aprendizaje situado y contextual, es decir, un entorno simulado que proporcionará un aprendizaje inmersivo programado para entrenarse ante situaciones reales. El diseño de este programa está basado en el Aprendizaje Basado en Problemas, mediante el cual deberá tratar de resolver las distintas situaciones de práctica profesional que se le planteen a lo largo del mismo. Para ello, contará con la ayuda de un novedoso sistema de vídeo interactivo realizado por reconocidos expertos.

Gracias a esta titulación universitaria dominarás las principales herramientas para la implementación de modelos IaaS y PaaS en negocios"

Con este programa podrás establecer los protocolos y las tecnologías de comunicaciones empleadas en el Internet of Things"

El temario de este Máster Semipresencial ha sido elaborado por un equipo docente multidisciplinar, que ha vertido en este plan de estudios su amplio conocimiento sobre Data Science. Así, el alumnado podrá ahondar en los sistemas de gestión de información, los tipos de datos y los principales programas informáticos para su desarrollo y análisis. Para ello, el alumnado contará con recursos didácticos multimedia de alta calidad, disponibles las 24 horas del día. Completa este recorrido académico una estancia práctica en una empresa tecnológica de prestigio, donde el alumnado podrá desplegar sus habilidades técnicas y analítica en Data Science.

Vídeo resúmenes, vídeos en detalle, casos de estudio... accede a ellos, cuando desees, desde un dispositivo electrónico con conexión a internet”

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

Este plan de estudios te llevará a conocer las herramientas y técnicas más efectivas en un proceso de Mentoring”