Máster en Big Data y Analytics

CONVOCATORIA ABIERTA

Cambia la forma de analizar de tu organización para transformarla en una data driven company.

Fecha de inicio
Convocatoria abierta
Metodología
Online
Duración
12 meses (60 ECTS)

Objetivos

El Máster en Big Data y Analytics de Three Points brinda respuesta al nuevo escenario laboral que el almacenaje, la gestión y la interpretación de los datos han aportado a las empresas y organizaciones en todo el mundo.

Big Data - reconocido por Forbes

En la última década, la cantidad de información que se genera sobre los negocios, personas o sociedades ha aumentado considerablemente. Los datos son la base de cada una de las nuevas tecnologías que han ido llegado y van a seguir llegando al mercado; las redes sociales, el IoT, la domótica, los coches conectados o el 5G. Mientras que antes se dependía del conocimiento de los directivos de las compañías, ahora podemos encontrar grandes cantidades de información que nos ayuden a tomar decisiones de manera objetiva.

La finalización del programa permite realizar el reskilling y upskilling de profesionales para que puedan liderar con éxito proyectos en el ámbito del Big Data en sus respectivas empresas y así conseguir dar respuesta a las necesidades del panorama empresarial actual.

 

 

1.
Aprender a transformar una organización tradicional en una data driven company
2.
Conocer los principales frameworks tecnológicos del mercado
3.
Identificar y gestionar las diferentes tipologías de información
4.
Generar modelos predictivos vía estadística predictiva y machine learning
5.
Dominar las técnicas de gobierno de datos
6.
Descubrir las nuevas técnicas de visualización de dashboards

Three Points, The School For Digital Business cuenta con Inesdi Business Techschool como partner estratégico para conformar el Digital Innovation Learning Hub de Planeta Formación y Universidades.

Programa

El programa se estructura en 10 módulos que se dividen en 3 bloques:

Bloque 1.- Gerencia y almacenamiento.  En este primer bloque, se introducen los conceptos claves de Big Data, así como sus principales tecnologías. Además, se identifican problemas legales que pueden surgir en un proyecto de Big Data, cuál es el mejor entorno en el que implantarlo y las tipologías de base de datos que podemos usar en función de los datos.

Bloque 2.- Proceso y análisis. En este bloque se aprende a explotar los datos para convertirlos en información. Se profundiza en las diferentes técnicas y soluciones de mercado para ser capaces de generar indicadores que el área de negocio pueda interpretar.

Bloque 3.- Visualización y negocio. En el último bloque, se estudian las maneras para conseguir que toda la organización confíe en los KPIs derivados del análisis de datos para así tomar las mejores decisiones para la empresa.

El máster incluye además un curso nivelador en Big Data en el que los alumnos profundizarán en los diferentes temas necesarios para el seguimiento del curso, 2 talleres prácticos y un Proyecto Final de Máster, donde los alumnos trabajarán con una empresa en el desarrollo de un proyecto real.

20 ECTS

Bloque 1.- Gerencia y almacenamiento

Curso nivelador Big Data (2,5 ECTS)

Los estudiantes inician el programa de Big Data y Analytics con este curso nivelador que provee de las bases de conocimiento técnicas necesarias para cursar el programa y para llevar a cabo proyectos de Big Data.

En este curso, los estudiantes encontrarán recursos materiales que les permitirán profundizar en diferentes temas necesarios para el seguimiento del curso y realizarán actividades que les servirán como guía para la evaluación de sus conocimientos y la evaluación final del curso.

1.1 Gerencia del Big Data Analytics (2,5 ECTS)

En este módulo, se introducen los conceptos fundamentales del Big Data para saber identificar las claves de cada proyecto, su escalabilidad y su retorno.

Los alumnos tratarán temas como:

  • ROI en un proyecto de Big Data
  • Dark Data y Open Data
  • Data Driven Companies
  • Legalidad asociada a los datos

1.2 Arquitectura Big Data (5 ECTS)

Este módulo se centra en los pros y los contras de cada arquitectura, los principales proveedores de soluciones y cómo construir entornos elásticos con la arquitectura más eficaz.

Se profundizará en los siguientes temas:

  • Tipologías de arquitecturas On Premise, Híbrida, On Cloud
  • Hadoop y HDFS como fundamentos para la paralelización de procesos
  • Spark y el ecosistema Hive, Pig, Sqoop y Flume
  • Kubernetes y Databricks

1.3 ETLs y ELTs (5 ECTS)

En este módulo, los alumnos aprenderán a definir las bases que debe tener todo proceso de carga de datos para garantizar la integridad, sanitización, historificación y recursividad en las cargas.

  • ETLs y ELTs: beneficios e inconvenientes
  • KPIs para MDM
  • Uso de las excepciones en el entorno Big Data
  • Data Lakes y Data Warehouse: definición y diferencias

1.4 Data Lakes (5 ECTS)

El cuarto módulo se centra en las ventajas e inconvenientes de las distintas tipologías de bases de datos mediante módulos prácticos sobre cada una de ellas para explorar su potencial:

  • Bases de datos relacionales vs NOSQL
  • Bases de datos columnares
  • Bases de datos de grafos: Neo4j
  • Bases de datos documentales
  • Técnicas y procedimientos para enriquecer el Data Lake
  • Rol de los Streams de datos en la toma de decisiones a tiempo real
15 ECTS

Bloque 2.- Proceso y análisis

2.1 Data Mining (5 ECTS)

A lo largo de este módulo, los estudiantes aprenderán a extraer información del conjunto de datos del Data Lake y a convertirla en interpretable.

Se profundizará en temas como:

  • Objetivos de negocio
  • Transformación del conjunto de datos de entrada
  • Análisis y selección de la técnica de minería de datos más adecuada: redes neuronales, árboles de decisión, clustering o reglas de asociación
  • Extracción de conocimiento
  • Evaluación e interpretación de los datos

2.2 Advanced Analytics: R (5 ECTS)

En este módulo se sentará una base estadística para poder trabajar con una de las principales herramientas del mercado. Se realizarán prácticas para extraer el máximo potencial de los datos.

Los alumnos verán temas como:

  • Análisis multivariante de datos
  • Aplicación de series temporales
  • Procesos de control estadístico de la calidad de datos
  • Correlaciones y patrones
  • Proceso de clusterización de los datos

2.3 Machine Learning (5 ECTS)

En la última parte de este bloque, los alumnos descubrirán de manera práctica las principales técnicas y herramientas de Machine Learning y cómo testear su aplicabilidad.

El módulo incluye:

  • Definición y diferencias entre aprendizaje supervisado y aprendizaje no supervisado
  • Técnicas de clasificación: desde los árboles de decisiones hasta las técnicas bayesianas
  • Aprendizaje automático
  • Principales softwares de código abierto y comercial
15 ECTS

Bloque 3.- Visualización y negocio

3.1 Data Governance (5 ECTS)

​​​​​​En este módulo, los alumnos aprenderán las técnicas de gobierno de la información para garantizar que los datos ayudan a la toma de decisiones seguras.

Los alumnos profundizarán en los siguientes conceptos:

  • Accesibilidad de los datos
  • Gestión de datos como un activo
  • Técnicas para asegurar la integridad
  • Definición de los principales KPIs y trazabilidad de los dato
  • Securización en Big Data

3.2 Técnicas de visualización (5 ECTS)

En este módulo se abordarán las diferentes técnicas de visualización de datos y los alumnos aprenderán cuándo deben utilizar cada una de ellas para conseguir una mejor interpretación de los mismos.

Algunos de los temas que incluye el módulo son:

  • Tipologías disponibles de gráficos
  • Casos de uso y principales representaciones gráficas
  • Procesos vinculados al cambio de los gráficos al Storytelling de negocio
  • Simplificación y agregación de datos para Dashboards de dirección

3.3 Herramientas de visualización de datos y autoservicio (5 ECTS)

En el último módulo, los estudiantes aprenderán a identificar las principales herramientas visualización y autoservicio que existen actualmente.

Los alumnos abordarán los siguientes temas:

  • Principales herramientas de mercado: Qlikview/sense, Tableau, PowerBI y Cognos
  • Puntos fuertes y puntos débiles de cada una de las herramientas de mercado
  • Caso práctico con Qliksense y el autoservicio de datos

 

Certificación aCAP® y CAP®

Para todos aquellos alumnos que finalicen con éxito el Máster, opcionalmente, podrán realizar el examen para la obtención de las certificaciones aCAP® o CAP®, acreditaciones clave para los profesionales del área de operaciones y analytics.

  • aCAP® (Associate Certified Analytics Professional) es una certificación orientada a aquellos profesionales dedicados al análisis de datos, sin experiencia laboral o experiencia inferior a 3 años.
  • CAP® (Certified Analytics Professional) es una certificación orientada a aquellos profesionales dedicados al análisis de datos, con experiencia laboral más de 3 años.

El objetivo de estas certificaciones es validar los conocimientos y habilidades de los estudiantes en materia de análisis de datos. Obtener una acreditación de estas características es un elemento diferenciador, que aporta valor a los profesionales, abriéndoles las puertas al mercado laboral o a la mejora de la posición laboral ocupada. Para las empresas que buscan mejorar su capacidad para transformar los datos en información y acciones rentables, CAP® y aCAP® proporcionan una distinción para identificar, reclutar y retener el mejor talento analítico.

Ambas certificaciones están avaladas por Informs, una institución integrada por 12.500 profesionales y estudiantes de este ámbito y que está comprometida con dar respuesta a las necesidades de los profesionales encargados del desarrollo, aplicación, investigación y docencia en el área de anlytics. El objetivo principal de la organización es promover las buenas prácticas y avances en operaciones, gestión empresarial y Analytics con el fin de mejorar los procesos operativos, la toma de decisiones y los beneficios.

El Máster en Big Data y Analytics proporciona a los estudiantes los conocimientos y habilidades necesarios para superar satisfactoriamente el examen de aCAP® o CAP®, que les permitirán diferenciarse de la competencia y aportar valor a sus carreras profesionales.

20 ECTS

Bloque 1.- Gerencia y almacenamiento

Curso nivelador Big Data (2,5 ECTS)

Los estudiantes inician el programa de Big Data y Analytics con este curso nivelador que provee de las bases de conocimiento técnicas necesarias para cursar el programa y para llevar a cabo proyectos de Big Data.

En este curso, los estudiantes encontrarán recursos materiales que les permitirán profundizar en diferentes temas necesarios para el seguimiento del curso y realizarán actividades que les servirán como guía para la evaluación de sus conocimientos y la evaluación final del curso.

1.1 Gerencia del Big Data Analytics (2,5 ECTS)

En este módulo, se introducen los conceptos fundamentales del Big Data para saber identificar las claves de cada proyecto, su escalabilidad y su retorno.

Los alumnos tratarán temas como:

  • ROI en un proyecto de Big Data
  • Dark Data y Open Data
  • Data Driven Companies
  • Legalidad asociada a los datos

1.2 Arquitectura Big Data (5 ECTS)

Este módulo se centra en los pros y los contras de cada arquitectura, los principales proveedores de soluciones y cómo construir entornos elásticos con la arquitectura más eficaz.

Se profundizará en los siguientes temas:

  • Tipologías de arquitecturas On Premise, Híbrida, On Cloud
  • Hadoop y HDFS como fundamentos para la paralelización de procesos
  • Spark y el ecosistema Hive, Pig, Sqoop y Flume
  • Kubernetes y Databricks

1.3 ETLs y ELTs (5 ECTS)

En este módulo, los alumnos aprenderán a definir las bases que debe tener todo proceso de carga de datos para garantizar la integridad, sanitización, historificación y recursividad en las cargas.

  • ETLs y ELTs: beneficios e inconvenientes
  • KPIs para MDM
  • Uso de las excepciones en el entorno Big Data
  • Data Lakes y Data Warehouse: definición y diferencias

1.4 Data Lakes (5 ECTS)

El cuarto módulo se centra en las ventajas e inconvenientes de las distintas tipologías de bases de datos mediante módulos prácticos sobre cada una de ellas para explorar su potencial:

  • Bases de datos relacionales vs NOSQL
  • Bases de datos columnares
  • Bases de datos de grafos: Neo4j
  • Bases de datos documentales
  • Técnicas y procedimientos para enriquecer el Data Lake
  • Rol de los Streams de datos en la toma de decisiones a tiempo real
15 ECTS

Bloque 2.- Proceso y análisis

2.1 Data Mining (5 ECTS)

A lo largo de este módulo, los estudiantes aprenderán a extraer información del conjunto de datos del Data Lake y a convertirla en interpretable.

Se profundizará en temas como:

  • Objetivos de negocio
  • Transformación del conjunto de datos de entrada
  • Análisis y selección de la técnica de minería de datos más adecuada: redes neuronales, árboles de decisión, clustering o reglas de asociación
  • Extracción de conocimiento
  • Evaluación e interpretación de los datos

2.2 Advanced Analytics: R (5 ECTS)

En este módulo se sentará una base estadística para poder trabajar con una de las principales herramientas del mercado. Se realizarán prácticas para extraer el máximo potencial de los datos.

Los alumnos verán temas como:

  • Análisis multivariante de datos
  • Aplicación de series temporales
  • Procesos de control estadístico de la calidad de datos
  • Correlaciones y patrones
  • Proceso de clusterización de los datos

2.3 Machine Learning (5 ECTS)

En la última parte de este bloque, los alumnos descubrirán de manera práctica las principales técnicas y herramientas de Machine Learning y cómo testear su aplicabilidad.

El módulo incluye:

  • Definición y diferencias entre aprendizaje supervisado y aprendizaje no supervisado
  • Técnicas de clasificación: desde los árboles de decisiones hasta las técnicas bayesianas
  • Aprendizaje automático
  • Principales softwares de código abierto y comercial
15 ECTS

Bloque 3.- Visualización y negocio

3.1 Data Governance (5 ECTS)

​​​​​​En este módulo, los alumnos aprenderán las técnicas de gobierno de la información para garantizar que los datos ayudan a la toma de decisiones seguras.

Los alumnos profundizarán en los siguientes conceptos:

  • Accesibilidad de los datos
  • Gestión de datos como un activo
  • Técnicas para asegurar la integridad
  • Definición de los principales KPIs y trazabilidad de los dato
  • Securización en Big Data

3.2 Técnicas de visualización (5 ECTS)

En este módulo se abordarán las diferentes técnicas de visualización de datos y los alumnos aprenderán cuándo deben utilizar cada una de ellas para conseguir una mejor interpretación de los mismos.

Algunos de los temas que incluye el módulo son:

  • Tipologías disponibles de gráficos
  • Casos de uso y principales representaciones gráficas
  • Procesos vinculados al cambio de los gráficos al Storytelling de negocio
  • Simplificación y agregación de datos para Dashboards de dirección

3.3 Herramientas de visualización de datos y autoservicio (5 ECTS)

En el último módulo, los estudiantes aprenderán a identificar las principales herramientas visualización y autoservicio que existen actualmente.

Los alumnos abordarán los siguientes temas:

  • Principales herramientas de mercado: Qlikview/sense, Tableau, PowerBI y Cognos
  • Puntos fuertes y puntos débiles de cada una de las herramientas de mercado
  • Caso práctico con Qliksense y el autoservicio de datos

 

Certificación aCAP® y CAP®

Para todos aquellos alumnos que finalicen con éxito el Máster, opcionalmente, podrán realizar el examen para la obtención de las certificaciones aCAP® o CAP®, acreditaciones clave para los profesionales del área de operaciones y analytics.

  • aCAP® (Associate Certified Analytics Professional) es una certificación orientada a aquellos profesionales dedicados al análisis de datos, sin experiencia laboral o experiencia inferior a 3 años.
  • CAP® (Certified Analytics Professional) es una certificación orientada a aquellos profesionales dedicados al análisis de datos, con experiencia laboral más de 3 años.

El objetivo de estas certificaciones es validar los conocimientos y habilidades de los estudiantes en materia de análisis de datos. Obtener una acreditación de estas características es un elemento diferenciador, que aporta valor a los profesionales, abriéndoles las puertas al mercado laboral o a la mejora de la posición laboral ocupada. Para las empresas que buscan mejorar su capacidad para transformar los datos en información y acciones rentables, CAP® y aCAP® proporcionan una distinción para identificar, reclutar y retener el mejor talento analítico.

Ambas certificaciones están avaladas por Informs, una institución integrada por 12.500 profesionales y estudiantes de este ámbito y que está comprometida con dar respuesta a las necesidades de los profesionales encargados del desarrollo, aplicación, investigación y docencia en el área de anlytics. El objetivo principal de la organización es promover las buenas prácticas y avances en operaciones, gestión empresarial y Analytics con el fin de mejorar los procesos operativos, la toma de decisiones y los beneficios.

El Máster en Big Data y Analytics proporciona a los estudiantes los conocimientos y habilidades necesarios para superar satisfactoriamente el examen de aCAP® o CAP®, que les permitirán diferenciarse de la competencia y aportar valor a sus carreras profesionales.

10 ECTS

Proyecto final de Master

Es un trabajo académico-práctico que los estudiantes realizarán, transversalmente. El objetivo de este trabajo es favorecer la aplicación práctica de los conocimientos, metodologías y herramientas vistos a lo largo de todo el máster.

Profesores
Marc Subirà
Director del Máster en Big Data y Analytics.

IT Head de Deportes y Datos en el FB Barcelona y CEO en TRAILRUNNINGREVIEW.com, con más de 20 años de experiencia en el análisis de datos y la mejora de procesos.

Alberto Abelló
Coordinador Académico UPC

Francesc Taxonera
Coordinador Académico UPC

Arquitecto técnico de clientes en IBM. Anteriormente, fue ingeniero de sistemas en ViewNext, empresa de servicios de tecnologías de la información.

Enrique Mora

Artificial Intelligence Solutions Architect en Nestlé. Anteriormente como Data Science Leader en TÜV Rheinland, proveedor de servicios técnicos, de seguridad y certificación.

Daniel Alba

Data Project Manager en atSistemas, empresa de consultoria IT, servicios y desarrollo software.

Elena Cordero
Consultora en Irium para FC Barcelona

Ernesto Lores

Jordi Cahue

Albert Fernández

Raquel Jorge Hernando

Cristina Campeny
Profesora del Máster


© Three Points The School for Digital Business. Planeta Formación y Universidades. Todos los derechos reservados.
Por cualquier consulta, escríbanos a info@threepoints.com


© Three Points Digital Business School. Planeta Formación y Universidades. Todos los derechos reservados.
CONVOCATORIA ABIERTA
+34
Teléfono
Three Points S.L.U o Instituto de Innovación Digital de las Profesiones SL (en función del campus donde se impartan los estudios sea Three Points o Inesdi), tratará sus datos personales para contactarle e informarle del programa seleccionado de cara a las dos próximas convocatorias del mismo, siendo eliminados una vez facilitada dicha información y/o transcurridas las citadas convocatorias.

Ud. podrá ejercer los derechos de acceso, supresión, rectificación, oposición, limitación y portabilidad, mediante carta a Three Points S.L.U o Instituto de Innovación Digital de las Profesiones SL (en función del campus donde se impartan los estudios sea Three Points o Inesdi)., Apartado de Correos 221 de Barcelona, o remitiendo un email a lopd@onlinebschool.es. Asimismo, cuando lo considere oportuno podrá presentar una reclamación ante la Agencia Española de protección de datos.

Podrá ponerse en contacto con nuestro Delegado de Protección de Datos mediante escrito dirigido a dpo@planeta.es o a Grupo Planeta, At.: Delegado de Protección de Datos, Av Diagonal, 662, 08034 Barcelona.