Documentos de Académico
Documentos de Profesional
Documentos de Cultura
01 02
Presentación Objetivos
pág. 4 pág. 8
03 04 05
Competencias Dirección del curso Estructura y contenido
pág. 12 pág. 16 pág. 22
06 07
Metodología Titulación
pág. 40 pág. 48
01
Presentación
Se genera tal cantidad de datos diarios en cualquier ámbito o empresa que, en plena
revolución digital, ha surgido una nueva disciplina transversal: la ciencia de los datos.
Los expertos en Data Science Management deben saber no solo todo lo complejo
que es el tratado de la información para convertirla en una ventaja determinante para la
empresa, sino que además deben complementar sus competencias con conocimientos
en programación e informática para adaptar los sistemas y metodologías de trabajo
digitales a las necesidades de captación de datos de las empresas modernas. En vista
de este alto grado de cualificación demandada hoy en día, TECH ha elaborado el siguiente
programa, en el que expertos del ámbito analítico, informático y tecnológico vuelcan
todos sus conocimientos para hacer que el alumno sea un profesional polivalente
capaz de asumir grandes responsabilidades en múltiples entornos.
Presentación | 05
Los equipos de trabajo de cualquier empresa actualizada a la realidad digital Este Grand Master MBA en Data Science Management contiene el programa más
requieren de profesionales multidisciplinares. Estos equipos, generalmente de alta completo y actualizado del mercado. Sus características más destacadas son:
cualificación, requieren de una dirección aún más especializada y adaptada a su nivel El desarrollo de casos prácticos presentados por expertos en liderazgo y analítica
de conocimientos. El presente Grand Master MBA en Data Science Management cubre de datos
ese nicho laboral aportando al alumno un conjunto de conocimientos únicos y útiles
Los contenidos gráficos, esquemáticos y eminentemente prácticos con los que están
para liderar equipos de trabajo. Haciendo uso de la ciencia de los datos y la analítica
concebidos recogen una información científica y práctica sobre aquellas disciplinas
profunda, el estudiante será capaz de tomar decisiones rápidas con una perspectiva
indispensables para el ejercicio profesional
global de negocio, comprendiendo todas las realidades que envuelven a estos entornos
Los ejercicios prácticos donde realizar el proceso de autoevaluación para mejorar
empresariales complejos y cambiantes.
el aprendizaje
El material didáctico cubre todos los aspectos necesarios para liderar con éxito,
Su especial hincapié en metodologías innovadoras en el campo de la ciencia de los datos
desde una perspectiva analítica, la gestión, manipulación e interpretación de los datos
Las lecciones teóricas, preguntas al experto, foros de discusión de temas controvertidos
recogidos; los dispositivos y plataformas óptimos para la gestión de datos; la minería
y trabajos de reflexión individual
de datos, la representación gráfica de los mismos y los modelos predictivos basados
en datos; y, por último, el liderazgo y la comunicación efectiva en grupos amplios de La disponibilidad de acceso a los contenidos desde cualquier dispositivo fijo o portátil
trabajo. A todo lo anterior mencionado, se deben sumar, además, otras competencias con conexión a internet
complementarias más técnicas que hacen de esta una enseñanza versátil y completa.
Objetivos generales
Desarrollar cada una de las etapas del ciclo de vida de los datos
Examinar el proceso de minería de datos
Evaluar las sesiones y el tráfico a fin de conocer mejor a la audiencia
Analizar el marco normativo de protección de datos y sus relaciones con la futura
regulación de sistemas basados en inteligencia artificial
Analizar los diferentes modelos de datos y su impacto en aplicaciones
Analizar los modelos clásicos de sistemas e identificar las deficiencias para su uso
en aplicaciones distribuidas
Analizar los beneficios de la aplicación de técnicas de analítica del dato en cada
departamento de la empresa
Proponer técnicas y objetivos para ser lo más productivos posible según el departamento
Objetivos específicos
Desarrollar habilidades analíticas para tomar decisiones de calidad Determinar los requisitos de los sistemas de uso masivo de datos
Examinar campañas de marketing y comunicación efectivas Evaluar qué aplicaciones de uso extendido utilizan los fundamentos de los sistemas
Generar conocimiento especializado para desarrollar análisis predictivos distribuidos para diseñar sus sistemas
Proponer planes de negocio y de fidelización basados en estudios de mercado Analizar el modo en el que las bases de datos almacenan y recuperan información
Realizar un análisis de datos eficiente para los intereses de las empresas Analizar el estado del arte de la Inteligencia Artificial (IA) y la analítica de datos
Producir información relevante, eficaz para la toma de decisiones Desarrollar conocimiento especializado sobre las tecnologías más utilizadas
Determinar las mejores prácticas para la gestión del dato según su tipología y usos Generar una mejor comprensión de la tecnología mediante casos de uso
Identificar qué es IoT (Internet of Things) e IIoT (Industrial Internet of Things) Generar conocimiento especializado para la toma de decisiones comerciales
Examinar el consorcio de internet industrial Determinar cómo establecer la comunicación e intercambio de información entre
los departamentos y los clientes de la empresa
Analizar qué es la arquitectura de referencia del IoT
Generar conocimiento especializado para realizar un análisis de datos
Identificar los protocolos y tecnologías de comunicaciones empleadas en IoT
Establecer las mejores prácticas para la gestión de los datos según su tipología y usos
Analizar las diferentes herramientas software para graficado y análisis exploratorio de datos
Analizar las métricas y métodos de validación de los distintos algoritmos
Desarrollar habilidades para convertir los datos en información de la que se pueda
de aprendizaje automático
extraer conocimiento
Examinar la evolución y desarrollo desde su origen hasta la actualidad
Determinar las características principales de un dataset, su estructura, componentes
y las implicaciones de su distribución en el modelado Examinar la regulación de protección de datos y normativa conexa
Fundamentar la toma de decisiones realizando análisis completos previos de los datos Proponer técnicas de verificación y pruebas de plataformas distribuidas
Desarrollar habilidades para resolver casos prácticos haciendo uso de técnicas de ciencia Analizar las opciones más utilizadas en la implementación de plataformas Cloud
de datos Analizar las distintas prácticas generales en el método Kanban
Generar conocimiento especializado sobre los estadísticos previos para cualquier análisis Examinar las métricas para la medición del rendimiento en Kanban
y evaluación de datos Identificar y analizar las diferencias entre las tres metodologías: PMI, Scrum y Kanban
Desarrollar las habilidades necesarias para la identificación, preparación y transformación Proponer un modelo de liderazgo adaptado al cambio
de datos
Establecer la inteligencia emocional como herramienta básica de gestión en la empresa
Implementar los distintos algoritmos de aprendizaje automático
Desarrollar estrategias de negociación y resolución de conflictos en la empresa tecnológica
03
Competencias
Las competencias que tiene que tener un directivo instruido en la ciencia de los datos son
múltiples y variadas, yendo desde la pura gestión humana de los equipos de trabajo hasta
las cuestiones más especializadas en cuanto al manejo de la información generada. Así, la
amplitud de los conocimientos impartidos es un reflejo de todo lo que aprenderá el alumno
durante este Grand Master MBA en Data Science Management de TECH.
Competencias | 13
Competencias generales
Competencias específicas
Especializarse en los sistemas de información más habituales Generar conocimiento especializado en las arquitecturas y sistemas software necesarias
Conocer las principales normativas relativas a la gestión y protección de datos empresariales para el uso intensivo de datos
Manejar las arquitecturas específicas para el tratamiento de información de alto volumen Determinar cómo el IoT puede suponer una fuente de generación de datos e información
para su explotación empresarial clave sobre la que aplicar ciencia de datos para extracción de conocimiento
Hacer uso las principales tecnologías relativas a IoT y a su aplicabilidad en entornos reales Analizar las diferentes formas de aplicación de ciencia de datos en distintos sectores
o verticales mediante el aprendizaje de ejemplos reales
Realizar procesos de analítica web para conocer mejor al potencial cliente, como
herramienta clave para la dirección de acciones estratégicas
Gestionar proyectos y personas de modo más eficaz
Especializarse en Data Science desde la perspectiva técnica y de negocio
Visualizar datos del modo más adecuado para favorecer su compartición
y la comprensión por diferentes perfiles Propón planes de negocio completos,
Abordar las áreas funcionales fundamentales de la organización donde la ciencia
fideliza a los clientes con productos
de datos puede aportar un mayor valor
Desarrollar el ciclo de vida del dato, su tipología y las tecnologías y fases necesarias
atractivos que cubran sus necesidades y
para su gestión gestiona eficazmente equipos de trabajo
Procesar y manipular datos mediante lenguajes y librerías específicas amplios gracias a este Grand Master MBA
Desarrollar conocimiento avanzado en las técnicas fundamentales de minería de datos
en Data Science Management”
para la selección, el preprocesamiento y la transformación de datos
Especializarse en los principales algoritmos de machine learning para la extracción
de conocimiento oculto en los datos
04
Dirección del curso
TECH ha elaborado el siguiente Grand Master MBA en Data Science Management
con la colaboración del mejor equipo de profesionales posibles. Expertos de distintas
ramas de la gestión empresarial, análisis de datos, informática y desarrollo han unido
esfuerzos para elaborar un temario de utilidad, actualizado y acorde al mercado. Todo
ello hace posible que el alumno tenga la certeza de adquirir los mejores conocimientos
posibles de la mano de los mejores profesionales.
Dirección del curso | 17
Dirección
Profesores
D. Armero Fernández, Rafael D. Montoro Montarroso, Andrés
Consultor de inteligencia de negocios en SDG Group Investigador en el grupo SMILe de la Universidad de Castilla-La Mancha
Ingeniero digital en Mi-GSO Científico de Datos en Prometeus Global Solutions
Ingeniero de logística en Torrecid S.A Grado en Ingeniería Informática por la Universidad de Castilla-La Mancha. Especialidad
Quality Intern en INDRA en Ciencias de la Computación
Graduado en Ingeniería Aeroespacial por la Universidad Politécnica de Valencia Máster en Ciencia de Datos e Ingeniería de Computadores por la Universidad de Granada
Especialista en Marketing Digital y RRSS Consultora y auditora senior en materia de Protección de Datos de Carácter Personal
y servicios de la sociedad de la información en Helas Consultores
Especialista en SEO On-Page / Factores Internos
Licenciada en Derecho por la Universidad de Castilla La Mancha
Especialista en analítica de marketing digital y medición de resultados / Google Analytics
Máster en Asesoría Jurídica de Empresas por el Instituto de Empresa
Dña. García La O, Marta
Curso Superior en Dirección de Seguridad Digital y Gestión de Crisis por la Universidad
Gestión, administración y account management en Think Planificación y Desarrollo
de Alcalá y Alianza Española de Seguridad y Crisis (AESYC)
Organización, supervisión y tutoría de cursos de formación para altos Directivos en Think
Planificación y Desarrollo
Contable-administrativa en Tabacos Santiago y Zaraiche-Stan Roller
Especialista en Marketing en Versas Consultores
Diplomatura en Ciencias Empresariales por la Universidad de Murcia
Máster en Dirección comercial y Marketing por la Fundesem Business School
Módulo 3. Dispositivos y plataformas IoT como base para la ciencia de datos 3.9.4. Agricultura y ganadería
3.9.5. Otros sectores
3.1. Internet of Things
3.10. Industria 4.0
3.1.1. Internet del futuro, Internet of Things
3.10.1. IoRT (Internet of Robotics Things)
3.1.2. El consorcio de internet industrial
3.10.2. Fabricación aditiva 3D
3.2. Arquitectura de referencia
3.10.3. Big data analytics
3.2.1. La arquitectura de referencia
3.2.2. Capas Módulo 4. Representación gráfica para análisis de datos
3.2.3. Componentes
4.1. Análisis exploratorio
3.3. Sensores y dispositivos IoT
4.1.1. Representación para análisis de información
3.3.1. Componentes principales
4.1.2. El valor de la representación gráfica
3.3.2. Sensores y actuadores
4.1.3. Nuevos paradigmas de la representación gráfica
3.4. Comunicaciones y protocolos
4.2. Optimización para ciencia de datos
3.4.1. Protocolos. Modelo OSI
4.2.1. La gama cromática y el diseño
3.4.2. Tecnologías de comunicación
4.2.2. La Gestalt en la representación gráfica
3.5. Plataformas cloud para IoT e IIoT
4.2.3. Errores a evitar y consejos
3.5.1. Plataformas de propósito general
4.3. Fuentes de datos básicos
3.5.2. Plataformas industriales
4.3.1. Para representación de calidad
3.5.3. Plataformas de código abierto
4.3.2. Para representación de cantidad
3.6. Gestión de datos en plataformas IoT
4.3.3. Para representación de tiempo
3.6.1. Mecanismos de gestión de datos. Datos abiertos
4.4. Fuentes de datos complejos
3.6.2. Intercambio de datos y visualización
4.4.1. Archivos, listados y BB. DD.
3.7. Seguridad en IoT
4.4.2. Datos abiertos
3.7.1. Requisitos y áreas de seguridad
4.4.3. Datos de generación continua
3.7.2. Estrategias de seguridad en IIoT
4.5. Tipos de gráficas
3.8. Aplicaciones de IoT
4.5.1. Representaciones básicas
3.8.1. Ciudades inteligentes
4.5.2. Representación de bloques
3.8.2. Salud y condición física
4.5.3. Representación para análisis de dispersión
3.8.3. Hogar inteligente
4.5.4. Representaciones circulares
3.8.4. Otras aplicaciones
4.5.5. Representaciones burbujas
3.9. Aplicaciones de IIoT
4.5.6. Representaciones geográficas
3.9.1. Fabricación
3.9.2. Transporte
3.9.3. Energía
Estructura y contenido | 27
Módulo 12. Tipos y ciclo de vida del dato 12.7. Análisis de datos, interpretación y valoración de resultados
12.7.1. Medidas estadísticas
12.1. La estadística
12.7.2. Índices de relación
12.1.1. Estadística: estadística descriptiva, estadística inferencias
12.7.3. Minería de datos
12.1.2. Población, muestra, individuo
12.8. Almacén del dato (Data Warehouse)
12.1.3. Variables: definición, escalas de medida
12.8.1. Elementos que lo integran
12.2. Tipos de datos estadísticos
12.8.2. Diseño
12.2.1. Según tipo
12.8.3. Aspectos a considerar
12.2.1.1. Cuantitativos: datos continuos y datos discretos
12.9. Disponibilidad del dato
12.2.1.2. Cualitativos: datos binomiales, datos nominales y datos ordinales
12.9.1. Acceso
12.2.2. Según su forma
12.9.2. Utilidad
12.2.2.1. Numérico
12.9.3. Seguridad
12.2.2.2. Texto
12.10. Aspectos normativos
12.2.2.3. Lógico
12.10.1. Ley de protección de datos
12.2.3. Según su fuente
12.10.2. Buenas prácticas
12.2.3.1. Primarios
12.10.3. Otros aspectos normativos
12.2.3.2. Secundarios
12.3. Ciclo de vida de los datos Módulo 13. Número-aprendizaje automático
12.3.1. Etapas del ciclo
13.1. El conocimiento en bases de datos
12.3.2. Hitos del ciclo
13.1.1. Preprocesamiento de datos
12.3.3. Principios FAIR
13.1.2. Análisis
12.4. Etapas iniciales del ciclo
13.1.3. Interpretación y evaluación de los resultados
12.4.1. Definición de metas
13.2. Machine learning
12.4.2. Determinación de recursos necesarios
13.2.1. Aprendizaje supervisado y no supervisado
12.4.3. Diagrama de Gantt
13.2.2. Aprendizaje por refuerzo
12.4.4. Estructura de los datos
13.2.3. Aprendizaje semi-supervisado. Otros modelos de aprendizaje
12.5. Recolección de datos
13.3. Clasificación
12.5.1. Metodología de recolección
13.3.1. Árboles de decisión y aprendizaje basado en reglas
12.5.2. Herramientas de recolección
13.3.2. Máquinas de Soporte Vectorial (SVM) y algoritmos de vecinos
12.5.3. Canales de recolección más cercanos (KNN)
12.6. Limpieza del dato 13.3.3. Métricas para algoritmos de clasificación
12.6.1. Fases de la limpieza de datos
12.6.2. Calidad del dato
12.6.3. Manipulación de datos (con R)
34 | Estructura y contenido
Módulo 18. Gestión de proyectos y metodologías ágiles 18.8. Framework Ágil Kanban para la gestión de proyectos. Método Kanban
18.8.1. Kanban
18.1. Dirección y gestión de proyectos
18.8.2. Beneficios de Kanban
18.1.1. El proyecto
18.8.3. Método Kanban. Elementos
18.1.2. Fases de un proyecto
18.9. Framework Ágil Kanban para la gestión de proyectos. Prácticas del método Kanban
18.1.3. Dirección y gestión de proyectos
18.9.1. Los valores de Kanban
18.2. Metodología PMI para la gestión de proyectos
18.9.2. Principios del método Kanban
18.2.1. PMI (Project Management Institute)
18.9.3. Prácticas generales del método Kanban
18.2.2. PMBOK
18.9.4. Métricas para evaluación del rendimiento de Kanban
18.2.3. Diferencia entre proyecto, programa y porfolio de proyectos
18.10. Comparación: PMI, Scrum y Kanban
18.2.4. Evolución de las organizaciones que trabajan con proyectos
18.10.1. PMI-Scrum
18.2.5. Activos de los procesos en las organizaciones
18.10.2. PMI-Kanban
18.3. Metodología PMI para la gestión de proyectos: Procesos
18.10.3. Scrum-Kanban
18.3.1. Grupos de procesos
18.3.2. Áreas de conocimiento Módulo 19. Comunicación, liderazgo y gestión de equipos
18.3.3. Matriz de procesos
19.1. Desarrollo organizativo en la empresa
18.4. Metodologías Ágiles para la gestión de proyectos
19.1.1. Clima, cultura y desarrollo organizativo en la empresa
18.4.1. Contexto VUCA (Volatilidad, incertidumbre, complejidad y ambigüedad)
19.1.2. La gestión del capital humano
18.4.2. Valores Ágiles
19.2. Modelos de dirección. Toma de decisiones
18.4.3. Principios del manifiesto Ágil
19.2.1. Cambio de paradigma en los modelos de dirección
18.5. Framework Ágil Scrum para la gestión de proyectos
19.2.2. Proceso directivo de la empresa tecnológica
18.5.1. Scrum
19.2.3. Toma de Decisiones. Instrumentos de planificación
18.5.2. Los pilares de la metodología Scrum
19.3. Liderazgo. Delegación y empowerment
18.5.3. Los valores en Scrum
19.3.1. Liderazgo
18.6. Framework Ágil Scrum para la gestión de proyectos. Proceso
19.3.2. Delegación y empowerment
18.6.1. El proceso de Scrum
19.3.3. Evaluación del desempeño
18.6.2. Roles tipificados en un proceso Scrum
19.4. Liderazgo. Gestión del talento y del compromiso
18.6.3. Las ceremonias en Scrum
19.4.1. Gestión del talento en la empresa
18.7. Framework Ágil Scrum para la gestión de proyectos. Artefactos
19.4.2. Gestión del compromiso en la empresa
18.7.1. Artefactos en un proceso Scrum
19.4.3. Mejora de la comunicación en la empresa
18.7.2. El Equipo Scrum
18.7.3. Métricas para evaluación del rendimiento de un equipo Scrum
Estructura y contenido | 39
Accederás a un sistema de
aprendizaje basado en la reiteración, con
una enseñanza natural y progresiva a lo
largo de todo el temario.
Metodología | 43
El método del caso ha sido el sistema de aprendizaje más utilizado por las mejores
escuelas de Informática del mundo desde que éstas existen. Desarrollado en 1912 para
que los estudiantes de Derecho no solo aprendiesen las leyes a base de contenidos
teóricos, el método del caso consistió en presentarles situaciones complejas reales
para que tomasen decisiones y emitiesen juicios de valor fundamentados sobre cómo
El alumno aprenderá, mediante resolverlas. En 1924 se estableció como método estándar de enseñanza en Harvard.
actividades colaborativas y casos reales, Ante una determinada situación, ¿qué debería hacer un profesional? Esta es la pregunta
la resolución de situaciones complejas en a la que te enfrentamos en el método del caso, un método de aprendizaje orientado a
entornos empresariales reales. la acción. A lo largo del curso, los estudiantes se enfrentarán a múltiples casos reales.
Deberán integrar todos sus conocimientos, investigar, argumentar y defender sus ideas y
decisiones.
44 | Metodología
Relearning Methodology
TECH aúna de forma eficaz la metodología del Estudio de Caso con
un sistema de aprendizaje 100% online basado en la reiteración, que
combina elementos didácticos diferentes en cada lección.
Este programa ofrece los mejores materiales educativos, preparados a conciencia para los profesionales:
Material de estudio
Todos los contenidos didácticos son creados por los especialistas que van a impartir
el curso, específicamente para él, de manera que el desarrollo didáctico sea realmente 30%
específico y concreto.
Estos contenidos son aplicados después al formato audiovisual, para crear el método
de trabajo online de TECH. Todo ello, con las técnicas más novedosas que ofrecen
piezas de gran calidad en todos y cada uno los materiales que se ponen a disposición
del alumno.
Clases magistrales
Existe evidencia científica sobre la utilidad de la observación de terceros expertos.
El denominado Learning from an Expert afianza el conocimiento y el recuerdo, y
genera seguridad en las futuras decisiones difíciles.
Lecturas complementarias
8%
Artículos recientes, documentos de consenso y guías internacionales, entre otros. En
la biblioteca virtual de TECH el estudiante tendrá acceso a todo lo que necesita para
completar su capacitación.
Metodología | 47
Case studies
Completarán una selección de los mejores casos de estudio elegidos expresamente
para esta titulación. Casos presentados, analizados y tutorizados por los mejores
20%
especialistas del panorama internacional.
Resúmenes interactivos
El equipo de TECH presenta los contenidos de manera atractiva y dinámica en
píldoras multimedia que incluyen audios, vídeos, imágenes, esquemas y mapas
conceptuales con el fin de afianzar el conocimiento.
Este exclusivo sistema educativo para la presentación de contenidos multimedia
fue premiado por Microsoft como “Caso de éxito en Europa”.
25%
Testing & Retesting
Se evalúan y reevalúan periódicamente los conocimientos del alumno a lo largo del
4% programa, mediante actividades y ejercicios evaluativos y autoevaluativos para que,
3% de esta manera, el estudiante compruebe cómo va consiguiendo sus metas.
07
Titulación
El Grand Master MBA en Data Science Management garantiza, además de la
capacitación más rigurosa y actualizada, el acceso a un título de Grand Master
expedido por TECH Universidad Tecnológica.
Titulación | 49
Este Grand Master MBA en Data Science Management contiene el programa más El título expedido por TECH Universidad Tecnológica expresará la calificación que
completo y actualizado del mercado. haya obtenido en el Grand Master, y reunirá los requisitos comúnmente exigidos por
las bolsas de trabajo, oposiciones y comités evaluadores de carreras profesionales.
Tras la superación de la evaluación, el alumno recibirá por correo postal* con acuse
de recibo su correspondiente título de Grand Master emitido por TECH Universidad Título: Grand Master MBA en Data Science Management
Tecnológica. N.º Horas Oficiales: 3.000 h.
*Apostilla de La Haya. En caso de que el alumno solicite que su título en papel recabe la Apostilla de La Haya, TECH EDUCATION realizará las gestiones oportunas para su obtención, con un coste adicional.
Grand Master
MBA en Data Science
Management
» Modalidad: online
» Duración: 2 años
» Titulación: TECH Universidad Tecnológica
» Dedicación: 16h/semana
» Horario: a tu ritmo
» Exámenes: online
Grand Master
MBA en Data Science Management