Usted está aquí: / / / Máster Data Officer & Analytics Online

Máster Data Officer & Analytics Online

El Máster Data Officer & Analytics Online aborda el papel del dato como eje central de la toma de decisiones y del diseño de modelos de negocio en entornos digitales. Esta formación ofrece una visión integral que combina estrategia, análisis, tecnología y gestión, permitiendo comprender cómo los datos influyen en todas las áreas de una organización. Además, se analizan conceptos clave de Big Data, analítica avanzada, inteligencia artificial y visualización.

master data officer

Máster Data Officer & Analytics Online

El Máster Data Officer & Analytics Online aborda el papel del dato como eje central de la toma de decisiones y del diseño de modelos de negocio en entornos digitales. Esta formación ofrece una visión integral que combina estrategia, análisis, tecnología y gestión, permitiendo comprender cómo los datos influyen en todas las áreas de una organización. Además, se analizan conceptos clave de Big Data, analítica avanzada, inteligencia artificial y visualización.

master data officer
Info-circled Info-circled Avanzado 250 horas Online Arrows-ccw Arrows-ccw 100% Bonificable 8 Módulos Acceso ilimitado en Autoestudio Download Download Temario

100% BONIFICABLE FUNDAE

  • Duración: 20 semanas
  • Bonificable para Empleados
  • Ejercicios prácticos
  • Título propio Digital Credential
  • Inicio Tutorizado: convocatorias mensuales
  • Inicio Autoestudio: Inmediato
Añadir a Carrito - Tutorizado / 1875€
Añadir a Carrito - Autoestudio / 750€
Comprar Tutorizado Ahora - 1875€
Comprar Autoestudio Ahora - 750€

*IVA no incluido

¿ERES EMPRESA?
¿Quieres matricular a tus empleados?

Pulsa aquí

cursos online

Descripción

La gestión avanzada de datos se ha convertido en un elemento clave para la competitividad de las empresas. Conocer, entender y analizar nuestros datos se ha convertido en vital para la toma de decisiones estratégicas que nos harán optimizar nuestro trabajo y nuestros objetivos empresariales.

Con el Máster Data Officer&Analytics conocerás la importancia del dato y su impacto transversal en los distintos sectores, así como los modelos de negocio basados en datos y su rentabilización, también, os fundamentos de Big Data, Machine Learning y Deep Learning, proporcionando una base sólida para entender el ecosistema actual y su evolución futura.

Durante esta formación profundizarás en el desarrollo ágil de proyectos de datos, incluyendo arquitecturas Big Data, procesos ETL y ELT, análisis exploratorio, estadística, modelado y visualización. Python y SQL se utilizan como herramientas clave para el tratamiento y análisis de la información, junto con entornos de Big Data y Cloud como Spark. A nivel avanzado, deasrrollarás técnicas de Machine Learning, Deep Learning, series temporales y optimización de modelos.

Además del componente técnico, el máster incorpora aspectos de storytelling con datos, Business Intelligence y herramientas de visualización como Power BI y Tableau. Se complementa con el desarrollo de habilidades digitales, liderazgo, comunicación y gestión del cambio.

Objetivos

Formar a profesionales capaces de convertir los datos en ventaja competitiva real para las empresas. Desarrollar una visión estratégica del dato y su impacto transversal que tiene en el negocio, junto con una sólida base técnica. Aprender a interpretar los datos como un activo estratégico, tomar decisiones basadas en evidencia y detectar oportunidades de mejora y crecimiento. Desarrollar la capacidad de convertir información compleja en insights accionables que impacten en negocio, optimización y rentabilidad. Adquirir una visión integral que combina estrategia, tecnología y liderazgo, preparándote para coordinar proyectos de analítica avanzada y comunicar resultados de forma eficaz a perfiles técnicos y directivos.

Público

Este máster está dirigido a profesionales en entornos orientados a datos, como analistas, responsables de negocio, perfiles técnicos o gestores con interés en la analítica. También está enfocado en consultores, responsables de innovación, perfiles de marketing, finanzas u operaciones que necesiten comprender el valor estratégico del dato.

Temario

  1. Concienciación en relación a cómo la ciencia del dato afecta a todos los sectores y puede ser el aliado perfecto para el mundo de los negocios.
  2. Conocimiento de los diferentes modelos de negocio basado en datos:
  • Nuevos modelos de negocio en torno al dato.
  • Tipología de datos y cómo se obtienen.
  • Maneras de rentabilizar el dato.
  • Data Business ModelCanvas.
  1. Adquisición de conocimientos sobre los avances en Big Data & Inteligencia Artificial (IA).
  • Estado actual.
  • Posible evolución futura.
  1. Dominio de Conceptos básicos:
  • Qué es Big Data.
  • Qué es Machine Learning.
  • Qué es Deep Learning.
  1. Concienciación sobre el poder de los datos en las organizaciones tanto para mejorar la toma de decisiones como para crear modelos de negocio basado en datos.
  1. Visión trasversal sobre cómo Data Science se aplica en las diferentes áreas de la organización para impulsar las capacidades
  1. Desarrollo de los fundamentos de Big Data.
  • Qué es el Big Data.
  • Perfilestécnicos: Data Analyst, Engineer, Arquitect, QA…
  • El proceso de construir un proyecto de Big Data.
  • Arquitecturas de Big Data.
  • Las claves del éxito del big data.
  1. Identificación de los fundamentos de Machine Learning.
  • Introducción al Machine Learning: Datos, algoritmos, modelos, producción…
  • Aproximación a los algoritmos: clasificación, predicción y clustering.
  • Creación de modelos de Machine Learning.
  • Las claves del aprendizaje automático.
  • La productivización de modelos.
  1. Análisis de los fundamentos de IA: Visión, NPL…
  • Introducción al Deep Learning y sus aplicaciones.
  • Tipos de redes neuronales y su entrenamiento.
  • Funcionamiento y retos del Data Science aplicado al ComputerVision y al NPL.
  1. Conocimientos avanzados de Python CrashCourse.
  • Uso de pycharm como entorno de trabajo.
  • Uso de notebooks.
  • Conocimiento de la sintaxis del lenguaje: bucles, variables.
  • Librerías.
  • Funciones
  • Programación orientada a objetos en Python.
  1. Aproximación a la arquitectura de la información y al SQL.
  • Qué es la arquitectura de datos.
  • Modelo relacional tradicional.
  • Modelo estrella.
  • Modelo copo de nieve.
  • Bases de la normalización de datos.
  • Definiciones esenciales: base de datos, tablespace, tabla, vista, vista materializada, clave
  1. Identificación del Crashcourse de python para data engineers: SQL y dataframes.
  • Consulta de datos.
  • Cruce de tablas.
  • Inserción y borrado.
  • Dataframes:
  1. Diferenciación entre ETL/ELT y preproceso de datos.
  • ELT o ETL.
  • Pipelines de datos.
  • ¿Cómo estructurar los distintos pasos del workflow de datos?
  • Automatización de procesos.
  1. Aplicación del proceso del análisis exploratorio.
  • Arranque de un proceso exploratorio.
  • Los objetivos de un análisis exploratorio.
  • Uso del proceso exploratorio para validación de hipótesis.
  • Naturaleza iterativa del proceso.
  1. Utilización de herramientas de visualización exploratoria y librerías.
  • Análisis descriptivo gráfico.
  • Análisis descriptivo basado en estadísticos.
  1. Realización de análisis univariante y multivariante.
  • Análisis multivariante.
  • Análisis univariante.
  1. Conocimiento de la Estadística descriptiva.
  • Media, mediana, momentos, etc.
  • Desviación, varianza.
  • Sesgos y medidas de homogeneidad de la información.
  1. Aproximación breve al algebra lineal.
  • Operaciones matriz-escalar.
  • Operaciones matriz-matriz.
  • Propiedades de las matrices: no conmutativa, asociativa, distributiva, matriz identidad.
  • Trasposición e inversa de una matriz.
  1. Análisis de correlación de variables: fundamentos de estadística y probabilidad.
  • Ingeniería de características: descarte y selección de características.
  • Cómo analizar la correlación entre variables.
  • Efecto de las correlaciones.
  • Eliminación de la correlación.
  1. Deducción estadística y contraste de hipótesis.
  • Definición de una distribución una variable aleatoria.
  • Definición de una función de probabilidad.
  1. Aproximación a la modelización.
  • Introducción a la modelización.
  • Tipos de modelos.
  1. Identificación de los Modelos de regresión.
  • Modelos de regresión simple.
  • Modelos de regresión múltiple.
  • Modelos de regresión generalizado.
  1. Clasificación de los distintos modelos de Árboles: .
  • Modelos de inferencia de árboles de decisión y regresión:
  1. Conocimientos de Algoritmos alternativos de clasificación.
  2. Conocimientos de Eager y Lazy classifiers
  3. Utilización de Clustering.
  • Introducción a los modelos no supervisados.
  • Análisis clúster.
  1. Aproximación al método científico:
  • Evaluación de modelos.
  1. Evaluación y optimización de modelos:
  • Control de outliers y análisis de residuos.
  • Modelos no supervisados.
  • Modelos supervisados.
  1. Creación de Ingeniería de variables:
  • Principios de la ingeniería de variables en la creación de variables.
  • La dimensionalidad.
  • Técnicas: PCA y SVD.
  1. Ensamblado de modelos:
  • Definición de model ensembles.
  • Modelos débiles y modelos fuertes.
  • Creación de pipelines para crear modelos ensamblados.
  1. Gestión del ciclo de vida de los modelos.
  2. Interpretabilidad.
  3. Aproximación a modelos heurísticos de optimización.
  4. Conocimiento de los algoritmos genéticos.
  • Principios de optimización basado en heurísticos.
  • Gradiente descendente.
  • Modelos basados en comportamientos animales.
  • El algoritmo genético.
  • Aplicaciones de los algoritmos genéticos.
  • Cromosoma y función de fitness.
  • Resolución de un problema usando algoritmos genéticos.
  1. Utilización de series temporales y forecasting.
  • Bases sobre componentes de las series temporales: tendencia, ciclo y estacionalidad.
  • Series estacionarias y no estacionarias.
  • Análisis de anomalías.
  • Suavizado exponencial.
  • Modelos autoregresivos.
  • Modelos univariantes y multivariantes.
  • Modelos arima.
  • Modelos con parametrización automática.
  1. Gestión de proyectos de Data Science.
  1. Aproximación a redes neuronales artificiales (ANN).
  • ¿Qué es una red neuronal artificial?
  • Tipos de redes: profundas y superficiales (shallow).
  • Técnica del gradiente descendiente.
  1. Conocimiento de los campos de aplicación de ANN.
  • Visión por computador.
  • Análisis y síntesis del lenguaje.
  • Análisis de secuencias.
  • GAN y deepfake.
  1. Aproximación al Shallow & Deep neural networks. Introducción CNN.
  • Perceptrón simple.
  • Topologías de redes neuronales.
  • MNIST
  • Regularización: L1, L2, dropout y otros.
  • Creación de una CNN con keras.
  1. Comprensión del diseño de redes neuronales artificiales (ANN), redes convolucionales (CNN) y redes recurrentes (RNN).
  1. Conocimientos de Big Data y de los principios de arquitecturas de computación distribuidas y
  2. Utilización de Dataframes y Data pipelines en Spark.
  • Operaciones sobre dataframes (SQL o pyspark).
  • Creación de data pipelines con spark.
  • Transformación de dataframes.
  1. Creación de modelos de Machine Learning en Spark.
  • Entrenamiento de modelos e integración en pipelines.
  • Aplicación de la inferencia de modelos en Spark.
  1. Despliegue de pipelines de modelos con Spark.
  2. Desarrollo de modelos con proveedores de Cloud Machine Learning.
  1. Comprensión de las claves del storytelling a través de los datos.
  • La ciencia de la visualización de datos y el storytelling: su valor en el mundo profesional.
  1. Uso del storytelling con datos.
  • Principios de la comunicación visual de los datos.
  • Uso de los distintos controles visuales.
  1. Comprensión de los conceptos Business Intelligence y Data Visualization.
  • Entender el proceso para trabajar en la herramienta de visualización en un contexto de Business Intelligence.
  • Fuentes de datos, tratamiento y preparación de datos, modelaje de datos (relaciones), análisis exploratorio y específicos, visualización y reporting.
  1. Profundización en la herramienta PowerBI para poder conectar datos, prepararlos, modelarlos, explorarlos y visualizarlos.
  • Entorno de PowerBI: organización y componentes.
  • Importación de datos.
  • Visualizaciones básicas realizando agrupaciones y aplicando filtros.
  • Trabajar y preparar los datos: columnas calculadas, medidas, fórmulas con DAX, tablas calculadas…
  • Trabajar con tablas matrices para aumentar la granularidad de los informes. – Filtrar los datos de manera dinámica con la segmentación de datos.
  1. Aproximación a la herramienta Tableau.
  1. Impulso de habilidades digitales:
  • Liderazgo participativo.
  • Gestión del cambio.
  • Inteligencia emocional.
  • Storytelling
  • Creación de marca personal.
  • Comunicación y negociación en entornos digitales.
  1. Comprensión de las competencias necesarias para el nuevo entorno digital:
  • La influencia digital.
  • La colaboración en el entorno.
  • La integración de la diversidad.
  • La gestión emocional.
  • La agilidad en toma de decisiones.
  • La anticipación en contextos digitales.
  • La flexibilidad para la transformación.
  • La asunción de incertidumbre y riesgos.
  • La elaboración, gestión y difusión de contenidos.
  1. Conocimiento de las herramientas imprescindibles para:
  • El trabajo colaborativo.
  • El trabajo en remoto.
  • La gestión de proyectos.
  • Automatización de flujos de trabajo.
  1. Práctica en las claves del trabajo en equipo y de la productividad en remoto.
  1. Fomento del liderazgo participativo y la gestión del cambio.
  1. Dominio de la comunicación y la negociación en entornos digitales.
  1. Práctica del modelo de competencias para el entorno digital.
  1. Elaboración y gestión de la marca personal desde la importancia del storytelling.
  1. Capacidad de síntesis para observar los datos y extraer su información útil y relevante.
  1. Capacidad crítica para ser capaz de cuestionar los datos y así desarrollar conclusiones en base a los mismos.
  1. Conocimientos en informática, matemáticas y estadística: estos perfiles deben poder analizar bases de datos, construir modelos y realizar previsiones estadísticas, etc.
  1. Facilidad para la comunicación para explicar los resultados del trabajo a gerentes y directores, generalmente sin formación técnica, de la empresa u organización.

Módulo Final. Proyecto final

Descargar Temario

Descripción

La gestión avanzada de datos se ha convertido en un elemento clave para la competitividad de las empresas. Conocer, entender y analizar nuestros datos se ha convertido en vital para la toma de decisiones estratégicas que nos harán optimizar nuestro trabajo y nuestros objetivos empresariales.

Con el Máster Data Officer&Analytics conocerás la importancia del dato y su impacto transversal en los distintos sectores, así como los modelos de negocio basados en datos y su rentabilización, también, os fundamentos de Big Data, Machine Learning y Deep Learning, proporcionando una base sólida para entender el ecosistema actual y su evolución futura.

Durante esta formación profundizarás en el desarrollo ágil de proyectos de datos, incluyendo arquitecturas Big Data, procesos ETL y ELT, análisis exploratorio, estadística, modelado y visualización. Python y SQL se utilizan como herramientas clave para el tratamiento y análisis de la información, junto con entornos de Big Data y Cloud como Spark. A nivel avanzado, deasrrollarás técnicas de Machine Learning, Deep Learning, series temporales y optimización de modelos.

Además del componente técnico, el máster incorpora aspectos de storytelling con datos, Business Intelligence y herramientas de visualización como Power BI y Tableau. Se complementa con el desarrollo de habilidades digitales, liderazgo, comunicación y gestión del cambio.

Objetivos

Formar a profesionales capaces de convertir los datos en ventaja competitiva real para las empresas. Desarrollar una visión estratégica del dato y su impacto transversal que tiene en el negocio, junto con una sólida base técnica. Aprender a interpretar los datos como un activo estratégico, tomar decisiones basadas en evidencia y detectar oportunidades de mejora y crecimiento. Desarrollar la capacidad de convertir información compleja en insights accionables que impacten en negocio, optimización y rentabilidad. Adquirir una visión integral que combina estrategia, tecnología y liderazgo, preparándote para coordinar proyectos de analítica avanzada y comunicar resultados de forma eficaz a perfiles técnicos y directivos.

Público

Este máster está dirigido a profesionales en entornos orientados a datos, como analistas, responsables de negocio, perfiles técnicos o gestores con interés en la analítica. También está enfocado en consultores, responsables de innovación, perfiles de marketing, finanzas u operaciones que necesiten comprender el valor estratégico del dato.

Temario

  1. Concienciación en relación a cómo la ciencia del dato afecta a todos los sectores y puede ser el aliado perfecto para el mundo de los negocios.
  2. Conocimiento de los diferentes modelos de negocio basado en datos:
  • Nuevos modelos de negocio en torno al dato.
  • Tipología de datos y cómo se obtienen.
  • Maneras de rentabilizar el dato.
  • Data Business ModelCanvas.
  1. Adquisición de conocimientos sobre los avances en Big Data & Inteligencia Artificial (IA).
  • Estado actual.
  • Posible evolución futura.
  1. Dominio de Conceptos básicos:
  • Qué es Big Data.
  • Qué es Machine Learning.
  • Qué es Deep Learning.
  1. Concienciación sobre el poder de los datos en las organizaciones tanto para mejorar la toma de decisiones como para crear modelos de negocio basado en datos.
  1. Visión trasversal sobre cómo Data Science se aplica en las diferentes áreas de la organización para impulsar las capacidades
  1. Desarrollo de los fundamentos de Big Data.
  • Qué es el Big Data.
  • Perfilestécnicos: Data Analyst, Engineer, Arquitect, QA…
  • El proceso de construir un proyecto de Big Data.
  • Arquitecturas de Big Data.
  • Las claves del éxito del big data.
  1. Identificación de los fundamentos de Machine Learning.
  • Introducción al Machine Learning: Datos, algoritmos, modelos, producción…
  • Aproximación a los algoritmos: clasificación, predicción y clustering.
  • Creación de modelos de Machine Learning.
  • Las claves del aprendizaje automático.
  • La productivización de modelos.
  1. Análisis de los fundamentos de IA: Visión, NPL…
  • Introducción al Deep Learning y sus aplicaciones.
  • Tipos de redes neuronales y su entrenamiento.
  • Funcionamiento y retos del Data Science aplicado al ComputerVision y al NPL.
  1. Conocimientos avanzados de Python CrashCourse.
  • Uso de pycharm como entorno de trabajo.
  • Uso de notebooks.
  • Conocimiento de la sintaxis del lenguaje: bucles, variables.
  • Librerías.
  • Funciones
  • Programación orientada a objetos en Python.
  1. Aproximación a la arquitectura de la información y al SQL.
  • Qué es la arquitectura de datos.
  • Modelo relacional tradicional.
  • Modelo estrella.
  • Modelo copo de nieve.
  • Bases de la normalización de datos.
  • Definiciones esenciales: base de datos, tablespace, tabla, vista, vista materializada, clave
  1. Identificación del Crashcourse de python para data engineers: SQL y dataframes.
  • Consulta de datos.
  • Cruce de tablas.
  • Inserción y borrado.
  • Dataframes:
  1. Diferenciación entre ETL/ELT y preproceso de datos.
  • ELT o ETL.
  • Pipelines de datos.
  • ¿Cómo estructurar los distintos pasos del workflow de datos?
  • Automatización de procesos.
  1. Aplicación del proceso del análisis exploratorio.
  • Arranque de un proceso exploratorio.
  • Los objetivos de un análisis exploratorio.
  • Uso del proceso exploratorio para validación de hipótesis.
  • Naturaleza iterativa del proceso.
  1. Utilización de herramientas de visualización exploratoria y librerías.
  • Análisis descriptivo gráfico.
  • Análisis descriptivo basado en estadísticos.
  1. Realización de análisis univariante y multivariante.
  • Análisis multivariante.
  • Análisis univariante.
  1. Conocimiento de la Estadística descriptiva.
  • Media, mediana, momentos, etc.
  • Desviación, varianza.
  • Sesgos y medidas de homogeneidad de la información.
  1. Aproximación breve al algebra lineal.
  • Operaciones matriz-escalar.
  • Operaciones matriz-matriz.
  • Propiedades de las matrices: no conmutativa, asociativa, distributiva, matriz identidad.
  • Trasposición e inversa de una matriz.
  1. Análisis de correlación de variables: fundamentos de estadística y probabilidad.
  • Ingeniería de características: descarte y selección de características.
  • Cómo analizar la correlación entre variables.
  • Efecto de las correlaciones.
  • Eliminación de la correlación.
  1. Deducción estadística y contraste de hipótesis.
  • Definición de una distribución una variable aleatoria.
  • Definición de una función de probabilidad.
  1. Aproximación a la modelización.
  • Introducción a la modelización.
  • Tipos de modelos.
  1. Identificación de los Modelos de regresión.
  • Modelos de regresión simple.
  • Modelos de regresión múltiple.
  • Modelos de regresión generalizado.
  1. Clasificación de los distintos modelos de Árboles: .
  • Modelos de inferencia de árboles de decisión y regresión:
  1. Conocimientos de Algoritmos alternativos de clasificación.
  2. Conocimientos de Eager y Lazy classifiers
  3. Utilización de Clustering.
  • Introducción a los modelos no supervisados.
  • Análisis clúster.
  1. Aproximación al método científico:
  • Evaluación de modelos.
  1. Evaluación y optimización de modelos:
  • Control de outliers y análisis de residuos.
  • Modelos no supervisados.
  • Modelos supervisados.
  1. Creación de Ingeniería de variables:
  • Principios de la ingeniería de variables en la creación de variables.
  • La dimensionalidad.
  • Técnicas: PCA y SVD.
  1. Ensamblado de modelos:
  • Definición de model ensembles.
  • Modelos débiles y modelos fuertes.
  • Creación de pipelines para crear modelos ensamblados.
  1. Gestión del ciclo de vida de los modelos.
  2. Interpretabilidad.
  3. Aproximación a modelos heurísticos de optimización.
  4. Conocimiento de los algoritmos genéticos.
  • Principios de optimización basado en heurísticos.
  • Gradiente descendente.
  • Modelos basados en comportamientos animales.
  • El algoritmo genético.
  • Aplicaciones de los algoritmos genéticos.
  • Cromosoma y función de fitness.
  • Resolución de un problema usando algoritmos genéticos.
  1. Utilización de series temporales y forecasting.
  • Bases sobre componentes de las series temporales: tendencia, ciclo y estacionalidad.
  • Series estacionarias y no estacionarias.
  • Análisis de anomalías.
  • Suavizado exponencial.
  • Modelos autoregresivos.
  • Modelos univariantes y multivariantes.
  • Modelos arima.
  • Modelos con parametrización automática.
  1. Gestión de proyectos de Data Science.
  1. Aproximación a redes neuronales artificiales (ANN).
  • ¿Qué es una red neuronal artificial?
  • Tipos de redes: profundas y superficiales (shallow).
  • Técnica del gradiente descendiente.
  1. Conocimiento de los campos de aplicación de ANN.
  • Visión por computador.
  • Análisis y síntesis del lenguaje.
  • Análisis de secuencias.
  • GAN y deepfake.
  1. Aproximación al Shallow & Deep neural networks. Introducción CNN.
  • Perceptrón simple.
  • Topologías de redes neuronales.
  • MNIST
  • Regularización: L1, L2, dropout y otros.
  • Creación de una CNN con keras.
  1. Comprensión del diseño de redes neuronales artificiales (ANN), redes convolucionales (CNN) y redes recurrentes (RNN).
  1. Conocimientos de Big Data y de los principios de arquitecturas de computación distribuidas y
  2. Utilización de Dataframes y Data pipelines en Spark.
  • Operaciones sobre dataframes (SQL o pyspark).
  • Creación de data pipelines con spark.
  • Transformación de dataframes.
  1. Creación de modelos de Machine Learning en Spark.
  • Entrenamiento de modelos e integración en pipelines.
  • Aplicación de la inferencia de modelos en Spark.
  1. Despliegue de pipelines de modelos con Spark.
  2. Desarrollo de modelos con proveedores de Cloud Machine Learning.
  1. Comprensión de las claves del storytelling a través de los datos.
  • La ciencia de la visualización de datos y el storytelling: su valor en el mundo profesional.
  1. Uso del storytelling con datos.
  • Principios de la comunicación visual de los datos.
  • Uso de los distintos controles visuales.
  1. Comprensión de los conceptos Business Intelligence y Data Visualization.
  • Entender el proceso para trabajar en la herramienta de visualización en un contexto de Business Intelligence.
  • Fuentes de datos, tratamiento y preparación de datos, modelaje de datos (relaciones), análisis exploratorio y específicos, visualización y reporting.
  1. Profundización en la herramienta PowerBI para poder conectar datos, prepararlos, modelarlos, explorarlos y visualizarlos.
  • Entorno de PowerBI: organización y componentes.
  • Importación de datos.
  • Visualizaciones básicas realizando agrupaciones y aplicando filtros.
  • Trabajar y preparar los datos: columnas calculadas, medidas, fórmulas con DAX, tablas calculadas…
  • Trabajar con tablas matrices para aumentar la granularidad de los informes. – Filtrar los datos de manera dinámica con la segmentación de datos.
  1. Aproximación a la herramienta Tableau.
  1. Impulso de habilidades digitales:
  • Liderazgo participativo.
  • Gestión del cambio.
  • Inteligencia emocional.
  • Storytelling
  • Creación de marca personal.
  • Comunicación y negociación en entornos digitales.
  1. Comprensión de las competencias necesarias para el nuevo entorno digital:
  • La influencia digital.
  • La colaboración en el entorno.
  • La integración de la diversidad.
  • La gestión emocional.
  • La agilidad en toma de decisiones.
  • La anticipación en contextos digitales.
  • La flexibilidad para la transformación.
  • La asunción de incertidumbre y riesgos.
  • La elaboración, gestión y difusión de contenidos.
  1. Conocimiento de las herramientas imprescindibles para:
  • El trabajo colaborativo.
  • El trabajo en remoto.
  • La gestión de proyectos.
  • Automatización de flujos de trabajo.
  1. Práctica en las claves del trabajo en equipo y de la productividad en remoto.
  1. Fomento del liderazgo participativo y la gestión del cambio.
  1. Dominio de la comunicación y la negociación en entornos digitales.
  1. Práctica del modelo de competencias para el entorno digital.
  1. Elaboración y gestión de la marca personal desde la importancia del storytelling.
  1. Capacidad de síntesis para observar los datos y extraer su información útil y relevante.
  1. Capacidad crítica para ser capaz de cuestionar los datos y así desarrollar conclusiones en base a los mismos.
  1. Conocimientos en informática, matemáticas y estadística: estos perfiles deben poder analizar bases de datos, construir modelos y realizar previsiones estadísticas, etc.
  1. Facilidad para la comunicación para explicar los resultados del trabajo a gerentes y directores, generalmente sin formación técnica, de la empresa u organización.

Módulo Final. Proyecto final

Descargar Temario

100% BONIFICABLE FUNDAE

  • Duración: 20 semanas
  • Bonificable para Empleados
  • Ejercicios prácticos
  • Título propio Digital Credential
  • Inicio Tutorizado: convocatorias mensuales
  • Inicio Autoestudio: Inmediato
Añadir a Carrito - Tutorizado / 1875€
Añadir a Carrito - Autoestudio / 750€
Comprar Tutorizado Ahora - 1875€
Comprar Autoestudio Ahora - 750€

*IVA no incluido

¿ERES EMPRESA?
¿Quieres matricular a tus empleados?

Pulsa aquí

cursos online
Cursos relacionados

Complementa tu formación con estos cursos

Productos relacionados

¿qué es Data Officer & Analytics?

Data Officer & Analytics hace referencia al conjunto de prácticas, metodologías y herramientas orientadas a gestionar, analizar y transformar datos en información útil para la toma de decisiones. Incluye desde la definición de modelos de negocio basados en datos hasta el análisis avanzado, la visualización y la aplicación de inteligencia artificial. Su enfoque combina estrategia, tecnología y análisis para maximizar el valor del dato dentro de las organizaciones.