Máster en Business Intelligence e Inteligencia Artificial Aplicada

Introducción al Business Intelligence como herramienta clave para la toma de decisiones empresariales. Se presentan los componentes principales del ecosistema analítico, las distintas arquitecturas de datos y los flujos de información. Además, se analizan los principales perfiles profesionales que participan en proyectos de datos (CDO, analistas, ingenieros de datos, científicos de datos), sus roles y cómo se organizan en equipos multidisciplinares orientados al dato.

Principios fundamentales del Business Intelligence Arquitecturas de datos y ecosistemas analíticos Perfiles profesionales en entornos data-driven

Roles, funciones y colaboración en equipos multidisciplinares Business Intelligence Vs. Big Data Casos de uso del BI

Explora cómo las organizaciones definen e implantan una estrategia de datos para crear ventajas competitivas. Se abordan los conceptos de gobierno del dato, calidad de datos, cultura data-driven y alineación con los objetivos de negocio. Incluye casos prácticos de transformación empresarial basada en el uso estratégico y ético de los datos.

Estrategia de datos y su impacto en la transformación empresarial Gobierno del dato y calidad de los datos Cultura data-driven en las organizaciones

Casos prácticos de implantación de estrategias de datos Creación de una estrategia para la gestión de datos

Introduce los principios esenciales de las bases de datos, tanto relacionales como no relacionales. Se analizan los conceptos clave de almacenamiento, organización de datos, esquemas y su papel en los sistemas de Business Intelligence, como soporte para el análisis y la toma de decisiones empresariales.

Conceptos fundamentales de bases de datos relacionales y NoSQL Almacenamiento y procesamiento de la información

Estructuras de almacenamiento y organización de datos Rol de las bases de datos en sistemas de BI

Presenta las técnicas de modelado de datos (modelo lógico, físico, estrella y copo de nieve) aplicadas al análisis empresarial. Además, aborda la arquitectura de Data Warehousing, procesos OLAP y los fundamentos de calidad de datos, gobierno, privacidad, ética y compliance, garantizando un uso seguro y responsable de la información.

Modelos de datos: lógico, físico, estrella, copo de nieve Arquitectura de Data Warehousing y procesos OLAP

Calidad de datos, gobierno, privacidad, ética y compliance

Explora las principales plataformas de cloud computing (AWS, Azure, Google Cloud) aplicadas a proyectos analíticos. Se revisan servicios de almacenamiento, procesamiento y análisis de datos en la nube, así como las ventajas de escalabilidad, flexibilidad y optimización de costes que aporta el cloud en entornos BI.

Conceptos básicos de cloud computing aplicado a BI Servicios cloud en AWS, Azure y Google Cloud

Ventajas y retos del uso de la nube en entornos analíticos

Introduce los modelos de bases de datos NoSQL: clave-valor, documentos, columnas y grafos. Se explican sus principales características, ventajas frente a bases relacionales y casos de uso típicos en entornos donde se manejan grandes volúmenes de datos no estructurados o en tiempo real.

Modelos de bases de datos NoSQL: clave-valor, documentos, columnas, grafos Comparativa NoSQL vs bases relacionales

Casos de uso habituales de NoSQL en BI y big data

Introduce los procesos de extracción, transformación y carga (ETL/ELT) esenciales para preparar los datos para el análisis. Se trabajan los conceptos de diseño de pipelines de datos automatizados, orquestación de flujos, buenas prácticas de integración y optimización de procesos en entornos empresariales.

Procesos ETL y ELT: conceptos y diferencias Diseño y automatización de pipelines de datos

Orquestación y monitorización de flujos de datos Buenas prácticas en la integración de datos empresariales

Aborda las técnicas de limpieza de datos para garantizar su calidad: eliminación de duplicados, tratamiento de datos incompletos e integración de fuentes estructuradas y no estructuradas. Además, se trabaja el enriquecimiento semántico y el modelado de datos para facilitar su análisis posterior.

Limpieza de datos: duplicados, inconsistencias, datos faltantes Integración de datos de múltiples fuentes heterogéneas

Enriquecimiento semántico de los datos Modelado de datos para análisis y reporting

Aplicación práctica de los conocimientos adquiridos mediante el desarrollo de flujos completos de integración de datos con Azure Data Factory (entorno cloud) y Alteryx (entorno low-code). Los alumnos construyen pipelines, procesan datos y preparan conjuntos listos para el análisis y visualización.

Implementación de flujos ETL en Azure Data Factory Desarrollo de pipelines de datos en Alteryx

Preparación de datasets para visualización y análisis

Introduce los principales algoritmos de machine learning supervisado aplicados a negocio, como regresión lineal, regresión logística, árboles de decisión, random forest y SVM. Se enseña a construir modelos predictivos, validar su rendimiento y utilizar métricas clave para evaluar su efectividad en problemas empresariales.

Algoritmos supervisados: regresión lineal y logística, árboles de decisión, random forest, SV Construcción de modelos predictivos para negocio

Validación de modelos y métricas de desempeño Aplicaciones prácticas en predicción y clasificación

Presenta técnicas de aprendizaje no supervisado enfocadas a la detección de patrones ocultos y segmentación. Se trabajan algoritmos de clustering (K-means, jerárquico), reducción de dimensionalidad (PCA) y reglas de asociación (Apriori), aplicados a casos como segmentación de clientes y detección de anomalías.

Algoritmos no supervisados: clustering K-means, clustering jerárquico Reducción de dimensionalidad con PCA

Reglas de asociación (Apriori) Segmentación de clientes y detección de patrones

Explora el uso de modelos generativos (LLMs, diffusion models) aplicados a la automatización de tareas, generación de contenidos, asistentes inteligentes y optimización de procesos empresariales. Se abordan también los riesgos, aspectos éticos y mejores prácticas en la aplicación de IA generativa en entornos corporativos.

Modelos generativos: LLMs, diffusion models Aplicaciones de IA generativa en negocio Automatización de tareas y generación de contenido

Ética, riesgos y buenas prácticas en IA generativa Casos de uso con IA

Desarrollo práctico de un proyecto completo de machine learning utilizando la plataforma Dataiku. Los alumnos trabajan desde la preparación y limpieza de datos, el entrenamiento de modelos, su validación y ajuste, hasta la presentación de resultados aplicados a un caso real de negocio.

Desarrollo de proyectos de ML en Dataiku Preparación y limpieza de datos para ML

Entrenamiento, validación y ajuste de modelos Presentación de resultados orientados a negocio

Introduce al alumno en la conexión de Power BI y Looker Studio a distintas fuentes de datos (ficheros, bases SQL, CRM, cloud). Se trabaja la transformación inicial de datos, la limpieza básica, la combinación de tablas y la creación de modelos de datos simples, preparando la información para su análisis visual.

Conexión a diversas fuentes de datos (locales, cloud, CRM, SQL) Transformación y limpieza básica de datos

Modelado inicial de datos para visualización Preparación de datasets para dashboards

Presenta los principios de diseño visual aplicados a la comunicación de datos. Se trabajan técnicas de storytelling visual, selección de gráficos, estructuración de KPIs y cómo construir dashboards claros, comprensibles y orientados a la toma de decisiones para públicos técnicos y de negocio.

Principios de diseño visual aplicados a BI Técnicas de storytelling visual

Diseño de dashboards claros y orientados a negocio Estructuración de KPIs y visualización de métricas

Formación práctica en el uso de Power BI para crear dashboards interactivos. Los alumnos aprenden a importar datos, modelar, construir visualizaciones, incorporar interactividad (drill-down, filtros), y a publicar y compartir informes de forma profesional en entornos colaborativos.

Uso de Power BI para visualización de datos Importación y modelado de datos en Power BI Creación de dashboards interactivos con filtros y drill-down Publicación y compartición de informes en entornos colaborativo

Toma de decisiones con Power BI Reporting y presentación de Reportes con Power BI Inteligencia Artificial en Power BI

Introducción al uso de Looker Studio como herramienta de reporting cloud. Se trabaja la conexión a distintas fuentes de datos en la nube, la creación de informes interactivos y compartibles, y el diseño de dashboards ligeros orientados a la colaboración en tiempo real.

Uso de Looker Studio como herramienta de reporting cloud Conexión a fuentes de datos cloud Creación de dashboards interactivos en Looker Studio

Publicación y compartición de informes online Toma de decisiones con Looker Studio

Introduce el ciclo de vida de los proyectos analíticos, desde la definición de objetivos hasta la entrega de resultados. Se trabaja la planificación, la gestión de riesgos, la definición de entregables y la coordinación de equipos multidisciplinares en proyectos de Business Intelligence e Inteligencia Artificial.

Ciclo de vida de los proyectos analíticos Implementación de modelos analíticos: integración, validación y seguimiento. Dirección de proyecto, entregables, incidencias y cambios.

Definición de objetivos y entregables de negocio Planificación y gestión de riesgos Coordinación de equipos multidisciplinares (negocio, datos, tecnología)

Presenta cómo aplicar metodologías ágiles (Scrum, Kanban) en proyectos de datos. Se revisan la definición de roles, la organización de sprints, la priorización de tareas, la gestión del backlog y la coordinación efectiva entre negocio, tecnología y analítica.

Principios de metodologías ágiles en proyectos de datos Aplicación de Scrum y Kanban en entornos BI e IA

Gestión del backlog y priorización de tareas Coordinación ágil entre negocio, tecnología y analítica

Aborda los aspectos de gobernanza, ética y compliance en proyectos analíticos. Se analiza la gestión del cambio organizacional, el cumplimiento normativo, la privacidad, la responsabilidad ética en el uso de datos y la medición del impacto y retorno de los proyectos de datos.

Gobierno del dato en proyectos analíticos Ética y compliance en el uso de datos

Gestión del cambio en organizaciones data-driven Evaluación del impacto y retorno de proyectos de datos