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. Se analiza la diferencia entre Business Intelligence y Big Data en el contexto empresarial, abordando cómo cada enfoque aporta valor en distintos escenarios. Además, se exponen casos de uso reales de BI en sectores como marketing, operaciones, finanzas y atención al cliente. Finalmente, se describen los principales perfiles profesionales implicados en proyectos analíticos (CDO, analistas, ingenieros de datos, científicos de datos), sus roles, y su organización en equipos multidisciplinares orientados al dato.

Principios fundamentales del Business Intelligence y su evolución actual Arquitecturas de datos: capas, flujo de información y almacenamiento Ecosistema analítico: herramientas, procesos y cultura del dato Comparativa entre Business Intelligence y Big Data en la empresa

Identificación de los principales perfiles profesionales en analítica Funciones clave: CDO, Data Analyst, Data Engineer, Data Scientist Organización de equipos multidisciplinares en proyectos BI Casos de uso reales del Business Intelligence en distintos sectores

Explora cómo las organizaciones definen e implantan una estrategia de datos para crear ventajas competitivas sostenibles. Se abordan los pilares fundamentales del gobierno del dato, la calidad de la información y la cultura organizacional orientada al dato. Se analiza cómo alinear la estrategia de datos con los objetivos del negocio, garantizando un uso ético, seguro y eficiente de la información. La asignatura incluye casos prácticos de transformación empresarial impulsada por el uso estratégico del dato en sectores como retail, banca o salud.

Estrategia de datos como motor de transformación empresarial sostenible Principios clave del gobierno del dato y su operativa real Herramientas y metodologías para asegurar calidad de datos en negocio Cultura data-driven: retos, beneficios y fases de madurez organizacional

Alineación de la estrategia de datos con objetivos corporativos Ética, privacidad y compliance como parte integral del diseño estratégico Desarrollo de hojas de ruta para iniciativas de datos en la empresa Casos prácticos de implantación de estrategias de datos en distintos sectores

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.

Fundamentos de bases de datos en entornos analíticos empresariales Modelos relacionales: estructuras, tablas, relaciones y claves Bases de datos NoSQL: visión general y diferencias clave Comparación entre modelos estructurados y no estru

Papel de las bases de datos en plataformas BI Esquemas de organización y normalización de la información Casos de uso según tipo de base de datos (OLTP vs OLAP) Herramientas líderes del mercado y ecosistemas actuales

Introduce el lenguaje SQL como herramienta fundamental para consultar y preparar datos en entornos analíticos. El alumno aprenderá a construir consultas relevantes para reporting y análisis, combinando tablas y creando filtros que den soporte a decisiones de negocio.

Sintaxis básica de SQL y estructura de una consulta Consultas SELECT, filtros WHERE y funciones de agregación Joins entre tablas para crear vistas unificadas de negocio Subconsultas, alias, ordenamiento y agrupaciones

Uso de SQL para generar indicadores clave (KPIs) Aplicación de SQL sobre bases reales y datasets analíticos Simulación de consultas para dashboards e informes Mejores prácticas en limpieza y filtrado de datos por SQL

Presenta las principales metodologías de modelado de datos y su aplicación en arquitecturas BI. Se trabaja el diseño lógico y físico, los modelos dimensionales y su implementación práctica en herramientas como Power BI. Se abordan también conceptos clave de calidad de datos, gobierno, ética y compliance.

Modelado lógico vs físico en entornos analíticos empresariales Modelos dimensionales: estrella y copo de nieve explicados con claridad Diseño de relaciones, jerarquías y medidas en Power BI Implementación de modelos efectivos para visualización y análisis

Evaluación de la calidad del dato y su impacto en reporting Introducción al gobierno del dato y sus principios operativos Gestión del dato en clave ética, legal y estratégica Mejores prácticas en documentación y validación de modelos

Esta asignatura ofrece una introducción práctica al gobierno del dato utilizando Microsoft Purview, una herramienta empresarial de catalogación, clasificación y cumplimiento normativo. Los alumnos explorarán cómo se organizan, etiquetan y protegen los datos dentro de una organización real, navegando por mapas de linaje, políticas de acceso y activos sensibles desde una plataforma cloud sin necesidad de programación.

Introducción al gobierno del dato aplicado con herramientas reales Navegación práctica por Microsoft Purview desde entorno cloud Exploración de catálogos de datos y activos empresariales Visualización de linajes de datos y flujos entre sistemas

Identificación automática de datos sensibles y confidenciales Configuración básica de políticas de acceso y privacidad Comprensión del rol del gobierno del dato en el cumplimiento normativo Actividad guiada para simular control y clasificación de información

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.

Fundamentos del cloud computing aplicado al análisis de datos Servicios IaaS, PaaS y SaaS enfocados a BI Plataformas líderes: Azure, AWS, Google Cloud en entornos analíticos Almacenamiento cloud: Data Lakes, DWH, Blob Storage

Procesamiento de datos en la nube: ventajas y retos Costes, escalabilidad y flexibilidad operativa Seguridad, acceso y gobernanza de datos en entornos cloud Integración entre nube y herramientas BI (Power BI, ETL, etc.)

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.

Definición y tipos de bases de datos NoSQL Modelos clave: clave-valor, documentos, columnas, grafos Casos de uso donde NoSQL supera a relacionales Flexibilidad y escalabilidad en entornos analíticos masivos

Comparativa con modelos tradicionales: ventajas y limitaciones Ejemplos prácticos con MongoDB, Cassandra, Neo4j Aplicación de NoSQL al análisis no estructurado Rol del NoSQL en arquitecturas híbridas de datos

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.

Fundamentos de procesos ETL y ELT aplicados al análisis de datos Diseño de pipelines automatizados en entornos empresariales reales Orquestación y programación eficiente de flujos de datos complejos Mejores prácticas de integración y transformación en proyectos BI

Optimización de tiempos y calidad en procesos de carga de datos Visión operativa del ciclo completo de preparación de datos Aplicación de estándares profesionales en entornos analíticos escalables Casos prácticos de automatización de flujos en plataformas actuales

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.

Técnicas de limpieza de datos para mejorar su precisión y consistencia Eliminación de duplicados y tratamiento de datos incompletos Integración de datos estructurados y no estructurados de múltiples fuentes Métodos para enriquecer datos con valor semántico adicional

Preparación de datos confiables para el análisis empresarial Modelado de datos orientado a reporting y visualización eficiente Mejores prácticas en calidad de datos para entornos BI Casos prácticos de depuración y preparación de datasets complejos

Aplicación práctica de la integración y preparación de datos mediante el uso de herramientas profesionales como Azure Data Factory y Azure Synapse Pipelines para construir flujos de datos en la nube. Se complementa con Alteryx como plataforma low-code para transformación y limpieza de datos, y con Octoparse, herramienta no-code de web scraping, que permite incorporar datos externos desde la web sin necesidad de programar. Los alumnos desarrollarán pipelines completos para obtener, procesar y preparar conjuntos de datos listos para su análisis y visualización, integrando los resultados directamente con Power BI para la creación de informes interactivos y dashboards empresariales en tiempo real.

Creación de pipelines completos con herramientas cloud, low-code y no-code Procesamiento de datos en la nube con Azure Data Factory y Synapse Limpieza y transformación eficiente con Alteryx en entornos empresariales Web scraping sin código con Octoparse para incorporar datos externos

Automatización del flujo de datos desde la fuente hasta el dashboard Preparación de datasets conectados directamente a Power BI Proyecto práctico integrando recolección, procesamiento y análisis de datos

Se introducen los principales algoritmos de machine learning supervisado aplicados al entorno empresarial, como regresión lineal, regresión logística, árboles de decisión, random forest y máquinas de soporte vectorial (SVM). Los alumnos aprenderán a construir modelos predictivos, validar su rendimiento y aplicar métricas clave como precisión, recall, F1-score o AUC para evaluar su efectividad en problemas reales de negocio. Todo ello se realizará mediante herramientas visuales y no-code, que permiten aplicar técnicas avanzadas de análisis predictivo sin necesidad de conocimientos en programación, facilitando el aprendizaje y la aplicación práctica para perfiles de negocio.

Introducción práctica al machine learning supervisado en entornos de negocio Aplicación de algoritmos clave: regresión, árboles, SVM, random forest Construcción de modelos predictivos sin necesidad de programar Validación de modelos con métricas como precisión, recall y F1-score

Aplicación de técnicas de data mining supervisado para descubrir patrones predictivos útiles en contextos de negocio reales. Interpretación de resultados para apoyar decisiones estratégicas Casos reales de clasificación y predicción en distintos sectores Desarrollo de competencias analíticas para perfiles sin base técnica

Se presentan técnicas de aprendizaje no supervisado orientadas a la detección de patrones ocultos y la segmentación avanzada en datos empresariales. Se trabajan algoritmos de clustering como K-means y clustering jerárquico, técnicas de reducción de dimensionalidad como PCA (Análisis de Componentes Principales), y algoritmos de reglas de asociación como Apriori. Estas técnicas se aplican a casos prácticos como la segmentación de clientes, la detección de anomalías y el análisis de comportamiento, permitiendo descubrir insights ocultos en grandes volúmenes de datos y facilitar la toma de decisiones estratégicas basadas en patrones emergentes.

Aplicación de técnicas de machine learning no supervisado a datos empresariales Algoritmos de clustering: K-means y clustering jerárquico explicados desde negocio Reducción de dimensionalidad con PCA para análisis simplificado Descubrimiento de patrones ocultos y estructuras en grandes datasets

Análisis de comportamiento y detección de anomalías en procesos Segmentación avanzada de clientes basada en datos reales Reglas de asociación con algoritmo Apriori para patrones de consumo Casos prácticos orientados a decisiones estratégicas basadas en agrupamientos

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.

Introducción a modelos generativos: LLMs y diffusion models en la empresa Automatización de tareas y flujos mediante inteligencia artificial generativa Generación de contenido dinámico: textos, informes y presentaciones Ejemplos de uso de la Inteligencia Artificial Generativa en los negocios

Optimización de procesos con IA generativa integrada en entornos corporativos Evaluación de riesgos y control de sesgos en IA generativa Consideraciones éticas y regulatorias en uso empresarial de la 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 un caso real de machine learning de inicio a fin Uso de Dataiku como plataforma visual para todo el ciclo analítico Limpieza y preparación de datos para entrenamiento de modelos Entrenamiento y validación de algoritmos predictivos sin programación

Ajuste de modelos y evaluación con métricas clave de rendimiento Documentación y presentación clara de resultados analíticos Aplicación directa a un reto empresarial basado en datos reales

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 de Power BI y Looker Studio a múltiples fuentes de datos Importación de ficheros, bases SQL, hojas de cálculo y CRMs Integración de datos desde entornos cloud y on-premise Transformación básica y limpieza inicial de datos importados Combinación de tablas y creación de relaciones funcionales

Preparación de modelos de datos simples para análisis visual Interfaz visual para modelado sin necesidad de programación Fundamentos clave para construir informes dinámicos y conectados Automatización de extracción y envío de datos a Power BI con Power Automate

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 dashboards empresariales Técnicas de storytelling con datos para comunicar de forma efectiva Selección adecuada de gráficos según tipo de dato y mensaje Estructuración y jerarquía visual de KPIs relevantes para el negocio

Creación de informes comprensibles para públicos técnicos y no técnicos Diseño de dashboards claros, visuales y orientados a decisiones Mejores prácticas en color, tipografía y disposición de elementos Casos reales de dashboards estratégicos en entornos corporativos

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. Se incluye además la automatización de flujos de datos con Power Automate para garantizar la actualización y eficiencia en entornos reales.

Creación de dashboards interactivos con Power BI paso a paso Importación de datos desde múltiples fuentes conectadas Modelado de datos y creación de relaciones entre tablas Diseño de visualizaciones efectivas y orientadas a negocio Incorporación de filtros, segmentadores y navegación con drill-down

Publicación profesional de informes en entornos colaborativos Automatización de actualizaciones y control de acceso a dashboards Mejores prácticas en presentación y distribución de informes interactivos  Automatización de flujos de datos con Power Automate

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.

Introducción a Looker Studio como herramienta de reporting en la nube Conexión a múltiples fuentes de datos cloud Creación de informes interactivos y visualmente accesibles Diseño de dashboards ligeros, claros y enfocados en negocio

Configuración de filtros, segmentadores y visualizaciones clave Compartición de informes con acceso colaborativo en tiempo real Personalización visual según objetivos y tipo de audiencia

Asignatura práctica orientada a analizar cómo las empresas aplican el Business Intelligence para tomar decisiones basadas en datos. A partir de dashboards reales, informes publicados y ejemplos sectoriales, los alumnos explorarán casos en áreas como marketing, ventas, customer analytics y control de calidad. Se fomentará el análisis crítico, el debate en clase y la propuesta de mejoras sobre visualizaciones e indicadores clave (KPIs). 

Análisis de dashboards empresariales reales aplicados a decisiones estratégicas Estudio de casos BI en marketing, ventas, publicidad y CRM Identificación de KPIs clave y evaluación de su relevancia operativa Interpretación de insights con foco en impacto de negocio

Propuesta de mejoras en visualizaciones y estructura de informes Debate en clase sobre decisiones basadas en evidencia vs intuición Desarrollo de pensamiento crítico aplicado a la analítica empresarial Comprensión del rol del BI en entornos competitivos y dinámicos

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 de proyectos y gestión de riesgos

Identificación de stakeholders y recursos en proyectos de datos Metodología práctica aplicada a casos reales de proyectos analíticos Recursos/Costes Creación Presupuestos 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.

Fundamentos de gestión ágil en proyectos de datos e IA Aplicación de marcos ágiles: Scrum y Kanban en entornos analíticos Definición de roles: Product Owner, Scrum Master, equipo de datos Planificación de recursos Organización de sprints para entregas iterativas de valor

Técnicas de priorización de tareas en el backlog del proyecto Coordinación ágil entre equipos de negocio, datos y tecnología Empleo de Trello para seguimiento y comunicación Mejores prácticas para adoptar cultura ágil en organizaciones data-driven

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.

Fundamentos de gobernanza del dato en proyectos de BI e IA Evaluación del cumplimiento normativo: GDPR, privacidad y transparencia Principios éticos en el uso responsable de datos e inteligencia artificial Gestión del cambio organizacional en iniciativas data-driven

Alineación de los proyectos con la estrategia y cultura empresarial Evaluación del impacto de la analítica sobre procesos y decisiones Medición del retorno (ROI) de iniciativas analíticas