«1. ANTECEDENTES, DEFINICIONES Y BASES PARA UN CORRECTO ENTENDIMIENTO
1.1 Origen y contextualización del big data.
1.1.1. Conceptos base del big data.
1.1.2. Orígenes.
1.1.3. Big data vs.Business intelligence
2. LA IMPORTANCIA DEL DATO
2.1. Contextualización práctica de la productividad del dato.
2.2. Tipología de los datos.
2.3. Tratamiento del dato.
2.3.1. Estructura arquitectónica en big data.
3. ALGUNOS CONCEPTOS TÉCNICOS DE LA ANALÍTICA TRADICIONAL
3.1. El Teorema de Brewer.
3.2. Las nuevas basesde datos.
3.2.1. Tipos de Bases de Datos NoSQL.
3.3. Procesamientos distribuidos. MapReduce.
3.3.1. Funcionamiento de MapReduce.
3.3.2. ¿Qué elementos son clave para la puesta en marcha de MapReduce?
3.4. Herramientas para fines operacionales vs analíticos.
4. REPRESENTACIÓN DE LOS DATOS
4.1. Proceso de ETL.Del dato a la información.
4.1.1. Aplicaciones de los procesos ETL.
4.2. Análisis y creación de algoritmosI.
4.2.1. Análisis y creación de algoritmosII.
4.3. Dashboards como herramienta de visualización.
5. INTRODUCCIÓN AL BIG DATA
5.1. Big data analytics.
5.1.1. Big data analytics, data mining ydata science.
5.2. Herramientas fundamentales del big data analytics.
5.3. Futuro del big data.
5.4. Aplicaciones del bussiness intelligence y el big data.
5.4.1 ¿Qué nos aporta cada una?
5.5. Implantación de un proyecto de big data.
5.5.1. Fases de un proyecto de big data.
6. INTRODUCCIÓN A LA ANALÍTICA AVANZADA
6.1. Customer analytics.
6.1.1. Fases del Customer Analytics.
6.1.2. Tipología de análisis.
6.2. Segmentación de los datosI.
6.2.1. Segmentación de los datos II.
6.3. Gestión del valor del cliente.
6.3.1. Técnicas de segmentación.
6.3.2. Analítica para la creación de perfiles
6.3.3. Customer Lifetime Value.
6.4. Introducción al lenguaje RI.
6.4.1. Introducción al lenguaje RII»
