1. Introducción a la transformación digital
  2. Concepto de innovación
  3. Concepto de tecnología
  4. Tipología de la tecnología
  5. Punto de vista de la ventaja competitiva
  6. Según su disposición en la empresa
  7. Desde el punto de vista de un proyecto
  8. Otros tipos de tecnología
  9. La innovación tecnológica
  10. Competencias básicas de la innovación tecnológica
  11. El proceso de innovación tecnológica
  12. Herramientas para innovar
  13. Competitividad e innovación

  1. Filosofía Web 3.0 y su impacto en el mundo empresarial
  2. Socialización de la Web
  3. Adaptación del mundo empresarial a las Nuevas tecnologías

  1. Características del entorno ante el cambio tecnológico
  2. Definición de estrategia tecnológica
  3. Objetivo de una estrategia tecnológica
  4. Tipos de estrategias tecnológicas
  5. Gestión de la tecnología. Planes tecnológicos

  1. La cooperación tecnológica entre organizaciones
  2. Modalidades de cooperación
  3. Fusiones, adquisiciones y conglomerados
  4. Alianzas estratégicas tecnológicas

  1. Proceso de vigilancia del entorno empresarial
  2. Tipos y aplicación de sistemas de vigilancia tecnológica
  3. Equipos para la vigilancia tecnológica
  4. Inteligencia competitiva

  1. Community Manager
  2. Chief Data Officer
  3. Data Protection Officer
  4. Data Scientist
  5. Otros perfiles
  6. Desarrollo de competencias informáticas
  7. El Papel del CEO como líder en la transformación

  1. Rediseñando el customer experience
  2. La transformación de los canales de distribución: omnicanalidad
  3. Plan de marketing digital
  4. Buyer´s Journey
  5. Growth Hacking: estrategia de crecimiento
  6. El nuevo rol del marketing en el funnel de conversión

  1. La transición digital del modelo de negocio tradicional
  2. Nuevos modelos de negocio
  3. Freemium
  4. Modelo Long Tail
  5. Modelo Nube y SaaS
  6. Modelo Suscripción
  7. Dropshipping
  8. Afiliación
  9. Infoproductos y E-Learning
  10. Otros

  1. Diagnóstico de la madurez digital de la empresa
  2. Análisis de la innovación en la empresa
  3. Elaboración del roadmap
  4. Provisión de financiación y recursos tecnológicos
  5. Implementación del plan de transformación digital
  6. Seguimiento del plan de transformación digital

  1. La transformación digital de la cadena de valor
  2. La industria 4.0
  3. Adaptación de la organización a través del talento y la innovación
  4. Modelos de proceso de innovación
  5. Gestión de innovación
  6. Sistema de innovación
  7. Como reinventar las empresas innovando en procesos
  8. Innovación en Procesos a través de las TIC
  9. El Comercio Electrónico: innovar en los canales de distribución
  10. Caso de estudio voluntario: La innovación según Steve Jobs
  11. Caso Helvex: el cambio continuo
  12. La automatización de las empresas: RPA, RBA y RDA

  1. ¿Qué es el Data Storytelling?
  2. Elementos clave del Data Storytelling
  3. ¿Por qué es importante el Data Storytelling?
  4. ¿Cómo hacer Data Storytelling?

  1. Definición y conceptos clave de Big Data
  2. Definición y principios del Storytelling con datos
  3. Importancia del Big Data en la narrativa de datos
  4. Evolución y tendencias actuales en Big Data y Storytelling

  1. Arquitectura de sistemas Big Data
  2. Introducción a Hadoop y su ecosistema
  3. Apache Spark y procesamiento en memoria
  4. Bases de datos NoSQL (MongoDB, Cassandra)
  5. Integración de datos y ETL (Extract, Transform, Load)

  1. Métodos de análisis de datos (descriptivo, inferencial)
  2. Modelos estadísticos y su aplicación en la narrativa
  3. Algoritmos de machine learning relevantes para storytelling
  4. Evaluación y validación de modelos de datos
  5. Extracción de insights clave para la narrativa

  1. Principios de visualización efectiva
  2. Herramientas de visualización de datos (Tableau, Power BI, D3.js)
  3. Creación de gráficos, mapas y dashboards interactivos
  4. Técnicas de narración visual y diseño de dashboards

  1. Estructuración de una historia basada en datos
  2. Técnicas de storytelling visual y textual
  3. Adaptación de la narrativa para diferentes audiencias
  4. Uso de herramientas para el desarrollo de narrativas (Plotly, Flourish)

  1. Planificación y desarrollo de proyectos de Big Data Storytelling
  2. Diseño e implementación de pipelines de datos para storytelling
  3. Evaluación de la efectividad de la narrativa y feedback
  4. Presentación de resultados y comunicación de insights

  1. Análisis de casos exitosos de Big Data Storytelling
  2. Técnicas y enfoques utilizados en diferentes sectores
  3. Errores comunes y cómo evitarlos
  4. Desarrollo de proyectos finales aplicados a casos reales

  1. Innovaciones en Big Data y su impacto en storytelling
  2. El papel de la inteligencia artificial en la narración de datos
  3. Nuevas herramientas y tecnologías emergentes
  4. Preparación para el futuro: habilidades y competencias emergentes

  1. Medidas de tendencia central y dispersión aplicadas a datos empresariales
  2. Distribuciones de probabilidad más usadas en analítica de negocio
  3. Percentiles, outliers e interpretación de la distribución de los datos

  1. Muestreo y estimación de parámetros poblacionales
  2. Intervalos de confianza y su interpretación práctica
  3. Pruebas de hipótesis aplicadas a decisiones de negocio
  4. Errores tipo I y tipo II en la toma de decisiones

  1. Análisis de correlación entre variables de negocio
  2. Regresión lineal simple y múltiple
  3. Interpretación de coeficientes para la toma de decisiones

  1. Componentes de una serie temporal (tendencia, estacionalidad y ciclo)
  2. Métodos de suavizado, medias móviles y técnicas básicas de forecasting
  3. Evaluación de modelos de pronóstico mediante métricas de error
  4. Aplicación del forecasting a ventas, demanda y planificación empresarial

  1. Fundamentos del testing controlado en entornos digitales
  2. Diseño de pruebas A/B para decisiones de producto y marketing
  3. Tamaño de muestra, significancia estadística y potencia de una prueba
  4. Interpretación de resultados y significancia estadística

  1. Análisis estadístico con Python (pandas, scipy, statsmodels)
  2. Análisis estadístico con Excel avanzado
  3. Interpretación y comunicación de resultados estadísticos para la toma de decisiones

  1. Sintaxis básica y estructuras de datos en Python
  2. Funciones, modularización y buenas prácticas de programación
  3. Entornos de trabajo: Jupyter Notebook y Google Colab

  1. Carga y limpieza de datasets con pandas
  2. Transformación y agregación de datos
  3. Manejo de valores nulos y duplicados

  1. Sintaxis SELECT, WHERE, GROUP BY y HAVING
  2. Joins e integración de múltiples tablas
  3. Funciones de agregación, CASE WHEN y tratamiento de fechas
  4. Subconsultas y funciones de ventana (window functions)

  1. Funciones de ventana para análisis de datos
  2. Consultas analíticas complejas para reporting
  3. Optimización de consultas y buenas prácticas de rendimiento
  4. Vistas y procedimientos almacenados aplicados a BI

  1. Lectura y escritura automatizada de archivos y fuentes de datos
  2. Scripts de extracción y carga automatizada
  3. Programación de flujos ETL básicos con Python
  4. Integración de Python con bases de datos SQL

  1. Visualización de datos con matplotlib y seaborn
  2. Generación de reportes automatizados
  3. Documentación y buenas prácticas de código analítico
  4. Desarrollo de análisis reproducibles con Python

  1. Qué es Business Intelligence y su rol en la toma de decisiones
  2. Componentes de un ecosistema de BI: datos, herramientas y procesos
  3. Del dato a la decisión: el ciclo de vida de la información de negocio

  1. Modelos relacionales aplicados a BI
  2. Modelado dimensional: tablas de hechos y dimensiones
  3. Principios del diseño de un Data Mart orientado a negocio

  1. Tipos de datos y atributos del cliente
  2. Fuentes de datos de cliente: CRM, transaccionales y comportamentales
  3. Construcción de perfiles de cliente basados en datos

  1. Customer Lifetime Value (CLV): cálculo e interpretación
  2. Análisis de cohortes para medir retención
  3. Segmentación de clientes basada en comportamiento

  1. Métricas de experiencia de cliente (NPS, CSAT, CES)
  2. Análisis del customer journey con datos
  3. Identificación de puntos de fricción mediante analítica

  1. Venta cruzada y venta adicional basadas en analítica predictiva
  2. Reducción del costo de adquisición mediante segmentación de datos
  3. Diseño de programas de fidelización data-driven

  1. Diseño de KPI relevantes para negocio
  2. Construcción de cuadros de mando ejecutivos
  3. Comunicación de insights a audiencias no técnicas

  1. KPI financieros: rentabilidad, liquidez y estructura de costos
  2. KPI comerciales y de marketing: conversión, CAC y ROI de campañas
  3. KPI operativos y de recursos humanos: productividad, rotación y eficiencia de procesos
  4. Diseño de un cuadro de mando integral (Balanced Scorecard) desde la perspectiva de dirección

  1. Casos de éxito de BI aplicada al mercado latinoamericano
  2. Retos de adopción de BI en empresas de la región
  3. Buenas prácticas para implementar una cultura data-driven

  1. Qué mide la analítica web y qué decisiones de negocio permite tomar
  2. Métricas principales y avanzadas: usuarios, sesiones, interacción y conversión
  3. Plan de medición y plan de etiquetado: de los KPI de negocio a los eventos que hay que registrar
  4. Nomenclatura y parametrización de campañas con UTM

  1. Modelo de datos basado en eventos y parámetros
  2. Estructura de cuenta, propiedad y flujos de datos web y app
  3. Eventos automáticos, de medición mejorada, recomendados y personalizados
  4. Configuración de eventos clave y dimensiones personalizadas
  5. Filtros de datos, exclusión de tráfico interno y retención de datos
  6. Vinculación con Google Ads, Search Console y BigQuery

  1. Informes estándar: adquisición, interacción, monetización y retención
  2. Personalización de informes y gestión de la biblioteca
  3. Exploraciones de embudo y de ruta para localizar abandonos en web y app
  4. Segmentos y audiencias en GA4 y su activación en Google Ads
  5. Lectura fiable de los informes: muestreo, umbrales de datos y cardinalidad

  1. Arquitectura de GTM: etiquetas, activadores y variables
  2. Capa de datos (dataLayer) y coordinación con el equipo de desarrollo
  3. Implementación de GA4 y eventos personalizados con GTM
  4. Medición de comercio electrónico: eventos de compra y embudo de pago
  5. Depuración con el modo vista previa y DebugView
  6. Gestión del contenedor: versiones, permisos y documentación

  1. Impacto de bloqueadores, navegación privada y restricciones de cookies en los datos
  2. Plataformas de gestión del consentimiento (CMP) y Consent Mode v2
  3. Etiquetado del lado del servidor (server-side tagging)
  4. Datos propios (first-party data) y medición basada en modelado
  5. Verificación técnica: qué etiquetas se activan antes y después del consentimiento

  1. Qué es un modelo de atribución y cómo condiciona el reparto de la inversión
  2. Modelos de atribución disponibles en GA4: basado en datos y último clic
  3. Ventanas de conversión y discrepancias entre GA4, Google Ads y Meta Ads
  4. Cómo cambia el ROAS de cada canal según el modelo de atribución
  5. Importación de conversiones offline (CRM, llamadas y punto de venta) a GA4 y Google Ads

  1. Métricas sociales comparables entre plataformas: alcance, impresiones, interacción y tráfico referido
  2. Meta Business Suite: analítica de Facebook e Instagram
  3. TikTok Analytics y TikTok Ads Manager
  4. Analítica de X, LinkedIn y YouTube Studio
  5. WhatsApp Business como canal de conversión: métricas y seguimiento
  6. Análisis en GA4 del tráfico y las conversiones procedentes de redes sociales

  1. Escucha social (social listening): planteamiento y herramientas
  2. Análisis de sentimiento y detección de anomalías en la conversación sobre la marca
  3. Looker Studio: informe de rendimiento digital con fuentes de GA4 y redes sociales
  4. Análisis avanzado de los datos de GA4 exportados a BigQuery con SQL

  1. Del Data Warehouse tradicional al Data Lake
  2. El paradigma Lakehouse: ventajas frente a arquitecturas anteriores
  3. Criterios para elegir arquitectura según el tipo de organización

  1. Modelos de servicio en la nube aplicados a datos (IaaS, PaaS, SaaS)
  2. Principales proveedores cloud con penetración en Latinoamérica
  3. Ventajas y riesgos de migrar la analítica a la nube

  1. Estructura y organización de un Data Lake
  2. Formatos de almacenamiento de datos (Parquet, Delta Lake)
  3. Gestión del ciclo de vida del dato en un Data Lake

  1. Componentes de Microsoft Fabric: OneLake, Data Factory y Power BI integrado
  2. Flujos de trabajo de analítica end-to-end en Fabric
  3. Casos de uso de Fabric en empresas latinoamericanas

  1. Procesos ETL y ELT en arquitecturas modernas
  2. Orquestación de pipelines de datos
  3. Integración de fuentes de datos heterogéneas

  1. Fundamentos de Apache Spark para procesamiento distribuido
  2. Procesamiento por lotes frente a procesamiento en tiempo real
  3. Casos de uso de streaming de datos en negocio

  1. Principios de seguridad en entornos cloud
  2. Control de acceso y gestión de permisos sobre los datos
  3. Residencia y soberanía del dato en Latinoamérica

  1. Modelos de costos en plataformas cloud de datos
  2. Estrategias de optimización de costos en analítica
  3. Escalabilidad y planificación de capacidad

  1. Qué es la gobernanza del dato y por qué es crítica para el negocio
  2. Roles y responsabilidades en un modelo de gobernanza de datos
  3. Marcos de referencia para la gobernanza del dato

  1. Dimensiones de la calidad del dato: precisión, completitud y consistencia
  2. Métodos de detección y corrección de errores en los datos
  3. Indicadores para medir la calidad del dato en la organización

  1. Catálogos de datos y su función en la organización
  2. Gestión de metadatos y linaje del dato (data lineage)
  3. Herramientas de catalogación con adopción en Latinoamérica

  1. Principios comunes de protección de datos personales en la región
  2. Tratamiento y anonimización de datos sensibles
  3. Buenas prácticas de cumplimiento normativo en proyectos de datos

  1. Qué es DataOps y su relación con DevOps
  2. Principios de automatización aplicados a flujos de datos
  3. Cultura de colaboración entre equipos de datos

  1. Control de versiones aplicado a proyectos de datos
  2. Pruebas automatizadas de calidad en pipelines
  3. Integración y despliegue continuo en proyectos de datos

  1. Métricas clave para monitorizar pipelines de datos
  2. Detección temprana de anomalías en los flujos de datos
  3. Alertas y resolución de incidentes en entornos de datos

  1. Casos de negocio donde la gobernanza del dato genera valor
  2. Madurez organizacional en gestión de datos
  3. Hoja de ruta para implementar Data Governance y DataOps

  1. Qué es un Data Warehouse y su función en la organización
  2. Diferencias entre Data Warehouse, Data Mart y Data Lake
  3. Componentes de una arquitectura de Data Warehouse

  1. Principios del modelado dimensional
  2. Diseño de tablas de hechos
  3. Diseño de tablas de dimensión
  4. Construcción de un esquema en estrella

  1. Diferencias entre esquema en estrella y esquema en copo de nieve
  2. Normalización de dimensiones en el copo de nieve
  3. Criterios para elegir entre ambos modelos

  1. Dimensiones de cambio lento (slowly changing dimensions)
  2. Tablas de hechos de tipo factless
  3. Granularidad y niveles de agregación

  1. Qué es OLAP y su diferencia con OLTP
  2. Tipos de sistemas OLAP: MOLAP, ROLAP y HOLAP
  3. El cubo OLAP como estructura de análisis

  1. Roll-up y drill-down
  2. Slice y dice
  3. Pivot y otras operaciones de navegación

  1. Extracción, transformación y carga en el contexto de un Data Warehouse
  2. Calidad e integridad del dato en procesos ETL
  3. Frecuencia de carga y actualización del Data Warehouse

  1. Herramientas comerciales y open source para OLAP
  2. Integración de cubos OLAP con herramientas de visualización
  3. Consultas multidimensionales: fundamentos de MDX

  1. Indexación y particionamiento de tablas
  2. Estrategias de agregación y materialización de vistas
  3. Buenas prácticas de rendimiento en consultas analíticas

  1. Limitaciones del Data Warehouse tradicional frente a las necesidades actuales
  2. Convivencia de Data Warehouse y Data Lake en arquitecturas híbridas
  3. Puente conceptual hacia el modelo Lakehouse

  1. Criterios de selección de gráfico según el tipo de dato y el mensaje
  2. Principios de diseño de dashboards: jerarquía visual, densidad de información y layout
  3. Diseño de dashboards para audiencias ejecutivas: qué mostrar, qué omitir y cómo priorizar la lectura en segundos
  4. Errores comunes de visualización que distorsionan la lectura de negocio

  1. Instalación y arquitectura de Tableau (Desktop, Public, Server, Cloud)
  2. Conexión a fuentes de datos: archivos, bases de datos y conectores en vivo
  3. Relaciones, uniones y combinación de fuentes de datos

  1. Tipos de campos, jerarquías y agrupaciones
  2. Campos calculados y funciones de tabla
  3. Parámetros y campos calculados dinámicos

  1. Gráficos de comparación y distribución: barras, líneas, dispersión, histograma
  2. Gráficos de composición y relación: área, circular, mapa de calor, cascada
  3. Mapas y análisis geoespacial en Tableau

  1. Tipos de filtros y su orden de aplicación
  2. Acciones de filtro, resaltado y navegación entre hojas
  3. Diseño y publicación de dashboards interactivos

  1. Arquitectura de Power BI: Desktop, Service y Mobile
  2. Power Query: importación y transformación de datos
  3. Modelado de relaciones entre tablas en Power BI

  1. Fundamentos del lenguaje DAX
  2. Medidas y columnas calculadas
  3. Funciones de inteligencia de tiempo (time intelligence)

  1. Visualizaciones nativas y personalizadas
  2. Segmentadores, marcadores y páginas de detalle
  3. Diseño de informes multipágina orientados a negocio

  1. Publicación de informes en Power BI Service
  2. Actualización de datos programada y gateways
  3. Permisos, espacios de trabajo y distribución de informes

  1. Diferencias de licenciamiento, curva de aprendizaje y ecosistema
  2. Casos de uso donde cada herramienta aporta más valor
  3. Integración de ambas herramientas en un mismo ecosistema de datos empresarial

  1. Tipos de aprendizaje automático: supervisado, no supervisado y por refuerzo
  2. El ciclo de vida de un proyecto de machine learning
  3. Casos de aplicación de ML en decisiones empresariales

  1. Construcción de un flujo de análisis visual en Orange sobre un caso de negocio
  2. Aplicación de clustering y modelado predictivo básico sin programación
  3. Ventajas y límites de las herramientas no-code frente a Python para minería de datos

  1. Ingeniería de características (feature engineering)
  2. Selección de variables relevantes para el modelo
  3. División de datos: entrenamiento, validación y prueba

  1. Regresión lineal y regresión logística aplicadas a negocio
  2. Regularización y prevención del sobreajuste
  3. Interpretación de modelos de regresión para stakeholders

  1. Árboles de decisión y random forest
  2. Máquinas de vector soporte (SVM)
  3. Evaluación de modelos de clasificación: matriz de confusión, precisión y recall

  1. Fundamentos de XGBoost y LightGBM
  2. Comparación de modelos de ensamble frente a modelos individuales
  3. Ajuste de hiperparámetros para mejorar el rendimiento

  1. Algoritmos de clustering (K-means, clustering jerárquico)
  2. Aplicación de clustering a segmentación de clientes
  3. Evaluación de la calidad de los clusters obtenidos

  1. Construcción de un modelo predictivo de abandono de clientes
  2. Variables predictoras del churn en negocios digitales
  3. Diseño de estrategias de retención basadas en el modelo

  1. Modelos predictivos aplicados a previsión de demanda
  2. Incorporación de variables externas al modelo de forecasting
  3. Validación de modelos de pronóstico en entornos reales

  1. Del modelo al producto: fundamentos de puesta en producción
  2. Monitorización del rendimiento de modelos en producción
  3. Reentrenamiento y mantenimiento de modelos predictivos

  1. Sesgos en los modelos predictivos y su impacto en el negocio
  2. Explicabilidad de modelos (XAI) para la toma de decisiones
  3. Límites del machine learning predictivo en contextos empresariales

  1. Evolución de la IA: de los sistemas basados en reglas al aprendizaje profundo
  2. Diferencias entre IA, machine learning y deep learning
  3. Panorama actual de la IA aplicada a negocio

  1. Qué es un modelo de lenguaje y cómo funciona
  2. Arquitectura transformer: conceptos esenciales
  3. Principales modelos de lenguaje disponibles en el mercado

  1. Principios del diseño de prompts efectivos
  2. Técnicas de prompting: few-shot, chain-of-thought y role prompting
  3. Prompt engineering para tareas analíticas y de reporting

  1. Generación automática de resúmenes e informes de negocio
  2. Asistentes de IA para exploración de datos en lenguaje natural
  3. Copilotos de datos integrados en herramientas de BI

  1. Fundamentos de RAG (Retrieval-Augmented Generation) aplicado a negocio
  2. Conexión de modelos de lenguaje con bases de datos corporativas
  3. Casos de uso de agentes de IA en procesos analíticos

  1. Generación de contenido para marketing y comunicación corporativa
  2. Generación de código y consultas asistidas por IA
  3. Buenas prácticas de revisión humana del contenido generado

  1. Diferencias entre chatbots tradicionales y asistentes basados en LLMs
  2. Diseño de asistentes virtuales orientados a atención al cliente y negocio
  3. Plataformas para el desarrollo de asistentes conversacionales con adopción en Latinoamérica

  1. Fundamentos de los agentes de IA autónomos
  2. Aplicación de agentes de IA a flujos de trabajo empresariales
  3. Límites actuales de la autonomía de los agentes de IA

  1. Principios de una IA responsable en el entorno empresarial
  2. Sesgos, transparencia y explicabilidad en sistemas de IA generativa
  3. Marcos regulatorios emergentes sobre IA en Latinoamérica

  1. Tendencias emergentes en IA generativa y analítica
  2. Impacto de la IA en el rol del analista de negocio
  3. Preparación de la organización para la adopción continua de IA