calendar correo curso diplomado horas in-company magister magisteres programa-avanzado quotes reloj telefono contacto contacto grad video

Diplomado en Big Data para la toma de decisiones (E-Learning)



Aplicaciones y herramientas para analizar y monitorear grandes volúmenes de datos, permitiéndote generar información optimizada para tomar decisiones estratégicas y alcanzar un mayor rendimiento en áreas como gestión, finanzas, comercial y marketing de diversos sectores, desde salud hasta banca



Hoy en día, alcanzar una eficiencia organizacional óptima se relaciona con la implementación de soluciones tecnológicas que permiten agilizar la toma de decisiones en base a información cuantitativa y cualitativa en tiempo real. Dicha información proviene de una adecuada administración de grandes volúmenes de datos, que demandan extensos y rigurosos análisis, junto con métricas e indicadores cada vez más exactos. El análisis de estos datos permite extraer tendencias y patrones complejos de información, con enormes implicancias estratégicas, permitiendo predecir mejor y transformar la forma en la que se hacen hoy día los negocios.

 

Con el Diplomado en Big Data para la Toma de Decisiones aprenderás los fundamentos, principios y últimas tendencias en plataformas computacionales relacionadas a Big Data; aplicaciones y herramientas analíticas de ciencias de datos y estadística para la predicción, optimización y visualización de información.

 

Dirigido a:

Profesionales a cargo de tomar decisiones y que observan potenciales beneficios en el uso de tecnologías relacionadas a Big Data, buscando incrementar significativamente las ventajas competitivas en su organización. En particular, el diplomado está orientado a un amplio rango de profesionales en áreas de gestión, finanzas, comercial, marketing en múltiples sectores desde la salud, hasta la banca.






Antecedentes Generales

  • Próximo inicio: 24 julio de 2018

  • Diplomado On line

  • 120 horas cronológicas
  • $ 2.950.000.-
  • programas@ing.puc.cl
    56 2 2354 4516

MODELAMIENTO ESTADÍSTICO Y SISTEMAS RECOMENDADORES (julio a septiembre de 2018)

Preprocesamiento de datos
– Calidad de datos
– Limpieza de datos
– Integración de datos
– Reducción de datos
– Transformación de datos

Métodos de clasificación
– El proceso de clasificación
– Árboles de decisión
– Bayes ingenuo
– K-vecinos más cercanos
– Métodos conjuntos: Bagging, Boosting y Random Forests

Métodos de Agrupación
– Definición y propiedades
– Métodos de partición: K-means y K-medoides
– Métodos jerárquicos

Sistemas Recomendadores
– Impacto y casos importantes
– Filtrado colaborativo
– Filtrado basado en contenido
– Métodos híbridos

 

VISUALIZACIÓN DE DATOS (septiembre a noviembre de 2018)

¿Qué es la visualización de datos?
– De qué trata la visualización
– Breve contexto
– Breve historia de la visualización
– Panorama de la visualización hoy
– Una definición operativa

¿Para qué sirve la visualización de datos?
– Visualización para amplificar el conocimiento
– Para qué nos sirve la visualización
– Qué queremos mostrar
– El proceso interactivo

¿Cómo trabajar la visualización de datos?
– Proceso de visualización
– Representación: percepción
– Representación: diseño y codificación visual
– Qué no hacer
– Evaluación

¿Cómo continuar la visualización?
– Recomendaciones para profundizar
– Herramientas recomendadas
– Autores recomendados
– Recordando los objetivos de la visualización

 

CASOS DE ESTUDIO DEL BIG DATA (noviembre de 2018 a enero de 2019)

Big-Data en la Industria Bancaria
– Realidad actual y Data Scientists
– Computación cognitiva y los desafíos de la banca
– Objetivos centrales de la banca
– Caso aplicado: Royal Bank

Big-Data en E-Commerce
– Tendencias del E-Commerce
– Recomendación de ventas
– Detección de fraudes
– Predicción de deserción de clientes
– Caso aplicado: Amazon

Big-Data en Salud
– Uso de datos clínicos electrónicos
– Atención de urgencia con Big Data
– El problema del fenotipo
– Caso aplicado: Clinical Time

Big Data en Recursos Humanos
– Rotación en los puestos de trabajo
– Predicciones de permanencia con Big Data
– Filtro de currículos
– Caso aplicado: HCM Front

 

EL MUNDO DEL BIG DATA (marzo a mayo de 2019)

Origen y desafíos del Big-Data
– Big Data visto como el resultado de muchos vectores
– ¿Qué buscamos hacer con Big Data?
– ¿Qué cambios se vislumbran en la forma de trabajar?
– Potencial de Big Data

La cuatro V’s del Big-Data
– Volumen: crecimiento exponencial de los datos, incorporación de nuevas tecnologías de almacenamiento
– Velocidad: procesamiento distribuido, como administrar sistemas de forma eficiente
– Variedad: datos estructurados, semi-estructurados y no estructurados
– Veracidad: confiabilidad y robustez
– La Quinta V: valor de los datos

Infraestructura del Big-Data
– Tecnologías “Big Data”: Map Reduce, Hadoop, Cloud computing
– Funcionamiento de plataformas computacionales de Big Data
– Enfoques top-down y bottom-up para la arquitectura de sistemas informáticos en el contexto de Big Data
– Transición y cohabitación de DW, BI (Business Intelligence y Big Data)

Estrategias del Big-Data
– Entender aspectos estratégicos asociados al Big Data
– Identificación de oportunidades de agregación de valor por datos
– Etapas de la transformación digital para lograr una organización basada en datos
– Los datos como un activo: valoración basada en el consumo de datos

 

VALORIZACIÓN DE PROYECTOS DE BIG DATA (mayo a julio de 2019)

Conceptos de gestión de rendimiento, estrategia e inteligencia empresarial competitiva en el mundo Big Data
– La evolución en la toma de decisiones
– El dato como un activo digital
– El nuevo paradigma de los datos
– Data Driven Company

Identificación y captura de valor basado en datos
– El potencial de los datos
– El valor de la información
– La diferenciación del análisis
– El incremento de competitividad en las organizaciones a partir de los datos

Pasos hacia la implementación de un proyecto de Big Data
– Estrategias de aproximación a Big data & analytics
– La perspectiva de IT
– La perspectiva de negocio
– Las metodologías de descubrimiento, prototipado e implementación ágil de iniciativas de Big Data

Arquitecturas Big Data: Batch Data, Fast Data
– Conceptos de arquitecturas de Big data
– Arquitecturas batch
– Arquitecturas real time
– Otros componentes de Big Data (seguridad, gobierno, metadatos…)
– Arquitecturas de desarrollo, integración y ejecución
– Transición y cohabitación de DW, BI (Business Intelligence y Big Data)

Data Governance y Data Security aplicado a Big Data
– Introducción al gobierno de datos
– Introducción a la seguridad de datos
– Aplicabilidad de gobierno de datos y la seguridad a entornos Big Data

Big Data Benchmarking
– Qué aspectos considerar en la selección de las herramientas de Big Data & Analytics
– Benchmark de arquitecturas, proveedores y tecnologías

Valoración económica de proyectos de Big Data
– Aspectos a considerar en la estimación de costes de proyectos Big Data & Analytics
– El retorno de la inversión
– Estrategias de inversión y lanzamiento de iniciativas Big Data

Aplicación de conceptos de Big Data Analytics y aplicaciones estadísticas a diversos aspectos de la toma de decisiones gerenciales
– Casos de uso Big Data
– Casos de uso analíticos
– Casos de uso de monetización de datos

Profesores

  • Carlos Jerez
    Profesor Asociado Ingeniería Eléctrica UC Ver ficha
  • Daniel Capurro
    Profesor Asistente de la Escuela de Medicina UC Ver ficha
  • Gustavo de Real
    Director de Pricing & Revenue Optimization, Business Intelligence & CRM, Scotiabank Ver ficha
  • Hans Hanckes
    Chief Operations Officer, Latin America at Groupon Ver ficha
  • Alejandro Jara
    Profesor Asociado del Departamento de Estadísticas UC Ver ficha
  • Ricardo Vega
    Profesor Escuela de Diseño UC Ver ficha

Ingresa tus datos para solicitar información y descargar brochure


 

¿Te gustó este programa?
¡Compártelo en tus redes sociales!