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.