Guía conceptual - Materia

Temario Bibliografía Básica Lectura del módulo

Módulo Nº1: Introducción general y ecosistema big data
1.1. ¿Qué es big data? Braulio, G. N. y Curto, D. Para profundizar se
1.1.1. La era del big J. (2015). Customer recomienda leer la
data analytics: mejorando la siguiente lectura ¿qué es
1.1.2. Gestión de datos inteligencia del cliente big data?
masivos en la empresa mediante los datos. Para profundizar se
1.1.3. Ecosistema big Barcelona, España: recomienda leer
la siguiente lectura
data UOC.[cap 1]
¿Presente y futuro?
1.1.4. Principales
Fernández, E. P. (2017).
características y
Big data: eje estratégico
conceptos
en la industria audiovisual.
fundamentales
Barcelona, España:
1.1.5. Elección de
UOC.[cap1]
fuentes y procesos ETL
1.1.6. Perfiles
profesionales del big
data: el científico de
datos

1.2. Presente y futuro del Braulio, G. N. y Curto, D. Para profundizar se

big data: big data en los J. (2015). Customer recomienda leer la
medios de comunicación analytics: mejorando la siguiente lectura
1.2.1. Social big data: inteligencia del cliente características del Big
conceptos mediante los datos. Data
fundamentales Barcelona, España: Para profundizar se
recomienda leer la
1.2.2. Canales y UOC.[cap 1]
siguiente lectura Perfiles
estrategias de
Fernández, E. P. (2017). profesionales del Big Data
obtención de datos
Big data: eje estratégico
1.2.3. Dispositivos que
en la industria audiovisual.
interactúan con los
Barcelona, España:
espectadores
UOC.[cap1]
1.2.4. Trabajando con
los datos: analítica web
 Módulo N°2: Minería de datos y análisis de datos
2.1. Descubriendo valor Braulio, G. N. y Curto, D. Para profundizar se
en los datos J. (2015). Customer recomienda leer la
2.1.1. Proceso de analytics: mejorando la siguiente lectura
extracción del inteligencia del cliente Almacenes de datos
conocimiento mediante los datos.
2.2. Almacén de datos Barcelona, España:
2.2.1. Definición de UOC.[cap 1] – [cap2]
almacén de datos
Fernández, E. P. (2017).
2.2.2. Sistemas analíticos
Big data: eje estratégico
vs. transaccionales
en la industria audiovisual.
Barcelona, España:
UOC.[cap1]
Trujillo, J. (2013). Diseño y
explotación de almacenes
de datos: conceptos
básicos de modelado
multidimensional.
Alicante, España: ECU.
[cap1]

2.3. Arquitectura Trujillo, J. (2013). Diseño y Para profundizar se

2.3.1. Arquitectura de explotación de almacenes recomienda leer la
almacenes de datos de datos: conceptos siguiente lectura
2.3.2. Fuentes de datos básicos de modelado arquitectura de
2.3.3. Los procesos ETL multidimensional. almacenes de datos
2.3.4. Herramientas de Alicante, España: ECU.
consulta [cap2]

2.4. Minería de datos Trujillo, J. (2013). Diseño y Para profundizar se

2.4.1. ¿Qué es la explotación de almacenes recomienda leer la
minería de datos? de datos: conceptos siguiente lectura Minería
2.4.2. Aplicaciones y básicos de modelado de datos
técnicas de minería de multidimensional.
datos Alicante, España: ECU.
2.4.3. Proceso de
 descubrimiento de [cap4] – [cap6]
conocimiento
Braulio, G. N. y Curto, D.
2.4.4. Modelos
J. (2015). Customer
descriptivos y
analytics: mejorando la
predictivos
inteligencia del cliente
2.4.5. Técnicas
mediante los datos.
fundamentales: reglas
Barcelona, España:
de asociación,
UOC.[cap2]
clasificación, clustering,
patrones
2.4.6. Aplicación a
problemas concretos de
predicción

Módulo N°3: Técnicas y herramientas de última generación para big data

3.1. Customer analytics Braulio, G. N. y Curto, D. Para profundizar se
3.1.1. Origen y J. (2015). Customer recomienda leer la
definición analytics: mejorando la siguiente lectura origen y
3.1.2. Evolución inteligencia del cliente definición de Customer
3.1.3. Metodologías mediante los datos. analytics
3.1.4. Tecnologías Barcelona, España: Para profundizar se
recomienda leer la
3.1.5. Tipos de análisis UOC.[cap2]
siguiente lectura
3.1.6. Customer
Metodología customer
analytics y big data analytics

3.2. Ejemplos de Braulio, G. N. y Curto, D. Para profundizar se

customer analytics y big J. (2015). Customer recomienda leer la
data analytics: mejorando la siguiente lectura tipos de
3.2.1. Análisis de la inteligencia del cliente análisis
cesta de compra mediante los datos.
3.2.2. Ejemplos de Barcelona, España:
empresas que usan UOC.[cap2]
customer anlytics

Módulo N°4: Visualización de la información

4.1. Visualización de datos Fernández, E. P. (2017). Para profundizar se
y big data Big data: eje estratégico recomienda leer la
4.1.1. Conceptos en la industria audiovisual. siguiente lectura
básicos de visualización. Barcelona, España: conceptos básicos de
4.1.2. Business UOC.[cap1] visualización
intelligence Para profundizar se
Braulio, G. N. y Curto, D. recomienda leer la
4.1.3. Visualización de
J. (2015). Customer siguiente lectura Visual
la información
analytics: mejorando la discovery
4.1.4. Tableros de
inteligencia del cliente Para profundizar se
información recomienda leer la
mediante los datos.
4.1.5. Visual discovery siguiente lectura
Barcelona, España:
4.1.6. Visual analytics visualización de la
UOC.[cap4] – [cap5]
4.1.7. Situación del información y tableros de
mercado control
4.1.8. Proveedores del Para profundizar se
mercado recomienda leer la
4.1.9. Ejemplos de siguiente lectura Visual
empresas analytics y big data

*Las filas deben ser agregadas en base a los contenidos que posee el programa de la materia.

* En la columna de Bibliografía básica, solo colocar la bibliografía básica del programa. NO la

ampliatoria. No olvide detallar el/los capítulo/s.