Máster en inteligencia de negocio y Big Data analytics

Especialidades y asignaturas

ESP1. Analítica de Datos (Data Analytics)

Esta especialidad se dirige a introducir al estudiante en los conceptos, los métodos, las técnicas y las herramientas que utilizan los sistemas de inteligencia de negocio, macrodatos (big data) y ciencia de datos, con casos prácticos y el uso de software especializado.

Se compone de las siguientes asignaturas:

• Fundamentos de inteligencia de negocio (6 créditos): en esta asignatura el estudiante se familiariza con un sistema completo de inteligencia de negocio (la «fábrica de información») y con los diferentes componentes: el almacén de datos, los procesos de extracción y transformación, la creación del almacén de datos, el análisis multidimensional y la elaboración de informes y cuadros de mando. El estudiante trabaja con diferentes herramientas (Pentaho, MySQL, Tableau) y sobre bases de conocimiento de la consultora Gartner.
• Fundamentos del big data (6 créditos): en esta asignatura el estudiante trabaja lo que algunos han llamado la «gestión extrema de la información», es decir, la transformación del enorme volumen de datos oculto en el interior de la propia organización o presente a su alrededor, los distintos tipos de datos e información y su aplicación en la empresa. Se estudia el ciclo de vida de la gestión de macrodatos y los aspectos tecnológicos, legales y éticos. El estudiante trabaja con universos de datos propios de la universidad, cedidos por empresas o procedentes de las redes sociales, por medio de herramientas como Apache Hadoop y Apache Spark.
• Fundamentos de data science (6 créditos): esta asignatura presenta los conceptos y la tipología de análisis de diferentes tipos de datos, los modelos y los algoritmos de uso más frecuente de clasificación y agrupación, y las metodologías y los estándares profesionales y científicos que se utilizan en analítica de negocio y la ciencia de datos aplicada. En esta asignatura, el estudiante trabaja principalmente con R y Rstudio, aunque pueden hacerse ejercicios con otras herramientas.

ESP2. Gestión de datos (Data Management)

Esta especialidad se dirige a proporcionar al profesional de perfil tecnológico capacidades prácticas para gestionar y almacenar datos relacionales y no relacionales, así como gestionar los datos como un activo de valor por medio del gobierno de datos.

Se compone de las siguientes asignaturas:

• Data governance (6 créditos): en esta asignatura, el estudiante se familiariza con el gobierno de datos, una práctica que une personas, procesos y tecnología para cambiar la forma en que los datos son adquiridos, gestionados, mantenidos, transformados en información, compartidos en el contexto de la organización como conocimiento común y sistemáticamente obtenidos por la empresa para mejorar la rentabilidad. El estudiante trabaja con herramientas ofimáticas (DOC, XLS, PPT) y con herramientas especializadas para el desarrollo de un programa de gobierno de datos (Trifacta o Talend).
• Bases de datos analíticos (6 créditos): en esta asignatura se aprende a crear un almacén de datos adecuado que ofrezca apoyo en la toma de decisiones de la organización. Se presenta de manera conceptual la arquitectura de almacenamiento (data warehousing) y se dan pautas para construir este tipo de sistemas. La puesta en práctica se lleva a cabo mediante la resolución de un caso práctico extenso para el que se usan varias herramientas especializadas (Pentaho, Microsoft, Oracle y PostgreSQL).
• Bases de datos NoSQL (6 créditos): las bases de datos NoSQL constituyen una alternativa a las bases de datos relacionales y son especialmente adecuadas para ciertos dominios de aplicación: dominios que trabajan con grandes volúmenes de datos, dominios donde se necesite una distribución o disponibilidad altas, dominios que trabajan con datos poco estructurados y dominios en los que se establecen múltiples y complejas interrelaciones de los datos. En esta asignatura se presentan los principios y los conceptos de este tipo de bases de datos, los modelos de datos subyacentes y los problemas que presenta la distribución en el almacenamiento y la gestión de los datos. Se trabajan varios tipos de bases de datos NoSQL (clave-valor, documentos, orientadas a columnas y grafos) con herramientas como Riak, MongoDB o Neo4j.

ESP3. Casos de Usos Analíticos

Esta especialidad se dirige a proporcionar al profesional de perfil más empresarial casos prácticos de uso de la inteligencia de negocio tanto en la estrategia de empresa como en la gestión operativa de los procesos de negocio más importantes: marketing y ventas, operaciones y logística, recursos humanos etc.

Se compone de las siguientes asignaturas:

• Customer analytics (6 créditos): en esta asignatura, el estudiante estudia el uso de herramientas de inteligencia de negocio (business intelligence) y analítica de negocio en una de las áreas más desarrolladas y de mayor impacto. Se analizan los conceptos y las buenas prácticas de investigación de mercado, gestión de las ventas y las relaciones con los clientes, y análisis y predicción del comportamiento de los clientes (customer analytics).
• Operations analytics (6 créditos): se trabajan los usos de la inteligencia de negocio (business intelligence) y la analítica de negocio en la cadena de suministro (aprovisionamiento, producción, gestión de almacenes, transporte y distribución en el punto de venta) y las nuevas aplicaciones vinculadas al internet de las cosas (IOT) y los sistemas de información geográfica.
• People analytics (6 créditos): la analítica de recursos humanos (HR analytics), también llamada people analytics, es la aplicación de técnicas sofisticadas de minería de datos y analítica de negocio (business analytics) a los datos de recursos humanos. Mediante un caso práctico, el estudiante verá cómo pueden aplicarse estas técnicas para una gestión estratégica eficaz de los recursos humanos, de forma que los objetivos de negocio puedan cumplirse de una manera rápida y eficiente, con la obtención de un rendimiento óptimo sobre el capital humano.

Durante el curso, el estudiante trabaja con herramientas ofimáticas (XLS, PPT), estadísticas (R), y de creación de informes (reporting) y análisis (Tableau).

ESP4. Big Data

Esta especialidad se dirige a proporcionar al profesional de perfil tecnológico capacidades prácticas para diseñar e implantar sistemas de macrodatos o big data (batch processing, data lakes) que sean compatibles con las diferentes necesidades analíticas de una organización (diferidas, en tiempo real, multipropósito, orientadas al aprendizaje automático -machine learning-).

Se compone de las siguientes asignaturas:

• Data lakes (6 créditos): en esta asignatura se aprende a crear un lago de datos (data lake) que complementa la factoría de información organizativa. Se presenta conceptualmente la arquitectura de un lago de datos y se dan pautas para la construcción de este tipo de sistemas. La puesta en práctica se lleva a cabo mediante la resolución de un caso práctico extenso para el que se usan varias herramientas especializadas.
• Tecnologías de batch processing (6 créditos): en los proyectos de macrodatos (big data), uno de los principales casos de uso es el almacenamiento, el procesamiento y el análisis de grandes volúmenes de datos en largos periodos de tiempo. En esta asignatura se presentan las tecnologías de procesamiento por lotes (batch processing) que responden a esta necesidad. Se dan a conocer estas tecnologías de manera conceptual y práctica mediante la resolución de un caso práctico extenso para el que se usan diferentes herramientas especializadas.
• Tecnologías de stream processing (6 créditos): en los proyectos de macrodatos (big data), uno de los casos de uso principales es trabajar con datos en tiempo real. En esta asignatura se presentan las tecnologías de procesamiento por flujos (stream processing) que responden a esta necesidad. A través de la resolución de un caso práctico se dan a conocer estas tecnologías de manera teorica y práctica.

Durante el curso, el estudiante trabaja con herramientas especializadas como Cloudera, así como con los frameworks de procesamiento Apache Flink, Apache Spark y/o Storm. La universidad cuenta con un ecosistema de datos propio para realizar las actividades prácticas.

Trabajo final de máster (TFM)

El máster se completa con un trabajo final de máster, que tiene un valor de 12 créditos.

El trabajo final de máster se puede realizar en tres modalidades:

1. Elegir entre una serie de temas propuestos por el equipo docente, los cuales cubren los bloques temáticos principales del ámbito de la inteligencia de negocio, big data y análisis de datos.
2. Escoger entre un conjunto de temas sugeridos por empresas, que cubren los bloques temáticos centrales del ámbito de la inteligencia de negocio, big data y análisi de datos.
3. Plantear un proyecto propio que cubra los intereses del estudiante y que pueda desarrollarse en su empresa.