Escuela de Administración de Empresas Actualización Empresarial. Plan de Estudios

Transcripción

1 Escuela de Administración de Empresas Actualización Empresarial Plan de Estudios Programa BUSINESS INTELLIGENCE SPECIALIST I Semestre 2015 Alcanzando Proyectos Exitosos 1 P á g i n a

2 Contenido MODULO I. Conceptos y Arquitecturas de Soluciones de BI... 3 I. Introducción al BI:... 3 Arquitecturas tecnológicas de soluciones de BI... 3 MODULO Medición del desempeño organizacional... 4 I. Implementación de indicadores de gestión... 4 Diseño de indicadores de gestión... 4 MODULO I Gestión del Cambio y Gerencia de Proyectos de BI... 4 I. Gestión del Cambio en las organizaciones... 4 Gestión de proyectos de BI... 4 MODULO IV. Introducción a la Minería de Datos... 4 I. Nivelación Estadística... 4 Introducción a la Minería de Datos... 5 I Herramientas para minería de datos... 5 IV. Minería de datos exploratoria... 5 V. Minería da datos predictiva P á g i n a

3 Malla Curricular del Business Intelligence Specialist Los cuatro módulos que conforman la malla curricular se detalla a continuación Módulo I Módulo II Módulo III Módulo IV Conceptos y Arquitecturas de Soluciones de BI Medición del desempeño organizacional Gestión del Cambio y Gerencia de Proyectos de BI Introducción a la Minería de Datos A continuación el desglose de los contenidos: MODULO I. Conceptos y Arquitecturas de Soluciones de BI I. Introducción al BI: 1.1. Qué es inteligencia de negocios? 1.2. El proceso de toma de decisiones, sistemas y modelos 1.3. Sistemas de soporte a decisiones 1.4. Minería de datos, sistemas georeferenciales 1.5. Casos de éxito Arquitecturas tecnológicas de soluciones de BI 1.6. Componentes tecnológicos de las soluciones de BI 1.7. Plataformas tecnológicas de BI: herramientas de BI 1.8. Nuevas tendencias 3 P á g i n a

4 MODULO Medición del desempeño organizacional I. Implementación de indicadores de gestión 1.1. Diferencias entre los indicadores de resultados clave: KRIs, PIs, y KPIs Cimientos para la implementación de Indicadores de Gestión Lecciones para implementar Indicadores de gestión en 16 semanas Modelo de implementación de indicadores de gestión: 12 pasos. Diseño de indicadores de gestión 1.5. Buenas prácticas para la construcción de indicadores y tableros 1.6. Cuadro de mando integral (BSC) 1.7. Indicadores para medir los procesos: comerciales, financieros, RRHH, logística, inventarios, clientes, mercadeo, entre otros. MODULO I Gestión del Cambio y Gerencia de Proyectos de BI I. Gestión del Cambio en las organizaciones 1.1. Qué es el cambio organizativo? 1.2. Tipos de procesos de cambio 1.3. Papel de la cultura en proyectos de BI 1.4. Aplicación exitosa de la gestión del cambio en proyectos de BI Gestión de proyectos de BI 1.5. Rentabilidad de los proyectos de BI 1.6. Errores comunes en la implementación de proyectos de BI 1.7. Inicio y planificación de proyectos BI 1.8. Control y Seguimiento de proyectos de BI 1.9. Cierre de proyectos MODULO IV. Introducción a la Minería de Datos I. Nivelación Estadística 1.1. Repaso de Estadística descriptiva e inferencial 1.2. Conceptos estadísticos importantes en Minería 4 P á g i n a

5 Introducción a la Minería de Datos 1.3. Contexto y antecedentes - Qué es minería de datos? 1.4. Minería de datos Vs otras disciplinas relacionadas Data Science un paso más allá de la minería de datos Ejemplos de aplicación de la minería de datos 1.7. Tareas de la minería de datos 1.8. Data Mining y BI 1.9. Metodologías o estándares industriales El equipo de proyecto Fases de un proyecto de minería de datos I Herramientas para minería de datos Benchmarking de herramientas para el minero de datos The R Project for Statistical Computing Interfaces visuales de R para Minería de datos Togaware Rattle, Rcommander, FactorMiner IV. Minería de datos exploratoria Datos, variables y tipos Algunas herramientas para exploración Análisis exploratorio usando las herramientas de software Clustering Análisis factorial V. Minería da datos predictiva Cómo se hace la predicción? El método holdout Tabla de entrenamiento y tabla de prueba Algunos modelos: Arboles de decisión, Potenciación, Bosques aleatorios, Máquinas vectoriales, Regresión, etc Hacer predicción mediante las herramientas de software Valoración de la calidad de los modelos: Índices de calidad, Cross Validation 5 P á g i n a