Programa

1. Datawarehouse, datamart y tecnología OLAP (2 créd.) 1.1. Nivel 2 1.2. Los almacenes de datos. Datawarehouses (DW) 1.2.1. Datawarehousing y datawarehouse 1.2.2. Arquitectura DW 1.2.3. Datawarehouse y datamart 1.2.4. Explotación del DW 1.3. Modelado dimensional. Diseño en estrella 1.3.1. Conceptos básicos del modelado dimensional 1.3.2. Esquemas de representación 1.3.3. Conceptos avanzados de diseño en estrella 1.3.4. SQL y Business Intelligence: SQL3 2. Minería de datos I (2 créd. ) 2.1. Introducción  2.1.1. Objetivos de la minería de datos 2.2.   Selección de objetivos/proyectos para minería de datos 2.2.1. Predicción, clasificación, clustering 2.2.2. Modelos CRM (propensión/scoring, retención, venta cruzada) 2.3.  Fuentes de datos e información 2.3.1. Datos textuales, minería de datos en la web 2.3.2. Posibles formatos 2.4. Operaciones de preparación de datos 2.4.1. Selección de variables 2.4.2. Muestreo, selección de registros 2.4.3. Calidad de datos, evaluación, errores, filtros 2.5. Reducción de la dimensionalidad 2.5.1.  Análisis de correlación, covarianzas 2.5.2. Análisis factorial 2.5.3. Creación de factores, agregación de variables 2.6. Técnicas de análisis 2.6.1.  Visualización 2.6.2. Técnicas estadísticas (correlación, análisis factorial) 2.6.3.  Análisis de secuencias 2.6.4. Análisis de series temporales 2.7. Creación de modelos de datos 2.7.1. Inducción de reglas (C5) 2.7.2. Redes neuronales 2.7.3. Técnicas estadísticas (regresión) 2.7.4. Clustering (Kohonen, k-Means, RBF) y segmentación 2.7.5. Lógica difusa y sistemas difusos 2.8. Evaluación e uso de modelos 2.8.1. Modelos de clustering 2.8.2. Modelos supervisados 3. Minería de datos II _Soluciones tecnológicas y aplicaciones horizontales (2 créd.) 3.1. Implementación de modelos de minería de datos en entornos de negocio 3.1.1. Revisión del entorno informacional y el papel de sus distintos componentes 3.1.2. Ubicación de la minería de datos en la infraestructura informacional  3.1.3. Flujos de información y metadatos desde el entorno informacional al operacional  3.2. Escenarios para la puesta en producción de modelos de minería de datos  3.2.1. Usos de un modelo de minería de datos: revisión histórica  3.2.2. Mecanismos de invocación de un modelo: procesos de automatización y planificación  3.2.3. Modelización automatizada y en tiempo real: viabilidad y posibles planteamientos   3.2.4. Scoring en tiempo real: aplicaciones y beneficios  3.3.  Implicaciones tecnológicas: soluciones y estándares del mercado 3.3.1. Visión global de las soluciones de minería de datos presentes en el mercado 3.3.2. El concepto in database data mining. En qué consiste y cuáles son sus aportaciones 3.3.3. Minería automatizada vs. minería ad-hoc: la necesidad de soluciones transparentes y personalizadas 3.3.4. Mecanismos para la definición y compartición de modelos de minería de datos entre aplicaciones: el estándar PMML 3.4. Integración de soluciones de minería de datos con otras tecnologías presentes en el negocio 3.4.1. Revisión del papel de las aplicaciones analíticas dentro del negocio: la minería de datos como elemento de generación de nueva información 3.4.2. La minería de datos dentro de los procesos de extracción, transformación y carga en el entorno informacional 3.4.3. Tecnología OLAP y minería de datos 3.4.4. La minería de datos como motor del CRM analítico 3.5. Algunas aplicaciones horizontales 3.5.1.  Fases genéricas de un proyecto de minería de datos 3.5.2. Integración de esquemas de segmentación a diferentes niveles 3.5.3. Modelos de abandono de clientes 3.5.4. Optimización de campañas 3.5.5. Análisis de asociaciones de compra 3.5.6. Estimación del potencial del cliente