Online
6 meses ( 90 horas). 6 ECTS
Modalidad Abierta
4ª Edición. Domina las herramientas tecnológicas adecuadas para el Sistema de Business Intelligence
La especialización de Sistemas y tecnologías para Business Intelligence pertenece al itinerario del máster de Business Intelligence.
Objetivos
Aprender a analizar la información desde un punto de vista multidimensional.
Ser capaz de diseñar el Datawarehouse sobre la base del Modelo en estrella.
Identificar las características principales de un proyecto de minería de datos, las motivaciones y objetivos del mismo y el tipo de soluciones que se ofrece.
Conocer las principales técnicas para la fase de análisis de datos y su aplicación a los datos.
Poder aplicar los modelos de minería de datos en “producción” y evaluar los resultados y precisión de los mismos.
Identificar las implicaciones técnicas que supone el despliegue y la puesta en producción de modelos de minería de datos, analizando las tecnologías y estándares existentes en el mercado para ello.
Comprender como las soluciones de minería de datos deben integrarse con el resto de herramientas analíticas en el entorno informacional, con el fin de sacar el máximo partido a todas ellas desde una visión conjunta.
Requisitos de admisión
Para acceder al programa, es necesario disponer deuna titulación universitaria legalizada.
En el caso de no tenerla, un comité de admisión valorara los conocimientos y la experiencia de solicitudes a partir de su curriculum.
1. Datawarehouse, datamart y tecnología OLAP (2 créd.)
1.1. Nivel 2
1.2. Los almacenes de datos. Datawarehouses (DW)
1.2.1. Datawarehousing y datawarehouse
1.2.2. Arquitectura DW
1.2.3. Datawarehouse y datamart
1.2.4. Explotación del DW
1.3. Modelado dimensional. Diseño en estrella
1.3.1. Conceptos básicos del modelado dimensional
1.3.2. Esquemas de representación
1.3.3. Conceptos avanzados de diseño en estrella
1.3.4. SQL y Business Intelligence: SQL3
2. Minería de datos I (2 créd. )
2.1. Introducción
2.1.1. Objetivos de la minería de datos
2.2. Selección de objetivos/proyectos para minería de datos
2.2.1. Predicción, clasificación, clustering
2.2.2. Modelos CRM (propensión/scoring, retención, venta cruzada)
2.3. Fuentes de datos e información
2.3.1. Datos textuales, minería de datos en la web
2.3.2. Posibles formatos
2.4. Operaciones de preparación de datos
2.4.1. Selección de variables
2.4.2. Muestreo, selección de registros
2.4.3. Calidad de datos, evaluación, errores, filtros
2.5. Reducción de la dimensionalidad
2.5.1. Análisis de correlación, covarianzas
2.5.2. Análisis factorial
2.5.3. Creación de factores, agregación de variables
2.6. Técnicas de análisis
2.6.1. Visualización
2.6.2. Técnicas estadísticas (correlación, análisis factorial)
2.6.3. Análisis de secuencias
2.6.4. Análisis de series temporales
2.7. Creación de modelos de datos
2.7.1. Inducción de reglas (C5)
2.7.2. Redes neuronales
2.7.3. Técnicas estadísticas (regresión)
2.7.4. Clustering (Kohonen, k-Means, RBF) y segmentación
2.7.5. Lógica difusa y sistemas difusos
2.8. Evaluación e uso de modelos
2.8.1. Modelos de clustering
2.8.2. Modelos supervisados
3. Minería de datos II _Soluciones tecnológicas y aplicaciones horizontales (2 créd.)
3.1. Implementación de modelos de minería de datos en entornos de negocio
3.1.1. Revisión del entorno informacional y el papel de sus distintos componentes
3.1.2. Ubicación de la minería de datos en la infraestructura informacional
3.1.3. Flujos de información y metadatos desde el entorno informacional al operacional
3.2. Escenarios para la puesta en producción de modelos de minería de datos
3.2.1. Usos de un modelo de minería de datos: revisión histórica
3.2.2. Mecanismos de invocación de un modelo: procesos de automatización y planificación
3.2.3. Modelización automatizada y en tiempo real: viabilidad y posibles planteamientos
3.2.4. Scoring en tiempo real: aplicaciones y beneficios
3.3. Implicaciones tecnológicas: soluciones y estándares del mercado
3.5. Algunas aplicaciones horizontales
3.5.1. Fases genéricas de un proyecto de minería de datos
3.5.2. Integración de esquemas de segmentación a diferentes niveles
3.5.3. Modelos de abandono de clientes
3.5.4. Optimización de campañas
3.5.5. Análisis de asociaciones de compra
3.5.6. Estimación del potencial del cliente
Dirección Académica
Atanasi Daradoumis Haralabus
Profesor de los Estudios de Informática de la UOC.
Profesorado
David Amorós Alcaraz
Licenciado en Informática por la UPC. Director de proyectos empresa MicroArt. Consultor especializado en implantación de sistemas BI
Víctor López Fandiño
Doctor en Ingeniería Industrial por la Universitat Ramon Llull
Especialista de soluciones de inteligencia de negocio y minería de datos
IBM Software Group
Administración de Programa
Daniel Roman Ramentol
Ingeniero en Telecomunicaciones por la UPC. MBA IESE. Director ejecutivo de Programas de la UOC.