Conceptos básicos y CRM estratégico (aprox. 2 días)

CRM como función corporativa estratégica

Companyblueprint: procesos de la empresa

CRM frente a una solución de software pura

Modelos de negocio y análisis de grupos destinatarios (aprox. 1 día)

Modelos de negocio en el entorno CRM

Definición de mercados y grupos objetivo

Personas para un enfoque diferenciado del cliente

Canales de venta en CRM estratégico

Mundos de clientes y relaciones individuales (aprox. 1 día)

Definición del mundo del cliente

Customer journey, experiencia del cliente

Necesidades-demandas-motivos del cliente

ERP y CRM operativo (aprox. 1 día)

Planificación de recursos y contextos empresariales

CRM en la cadena de valor

Sinergia entre ventas, marketing y servicio

Protección de datos y GDPR (aprox. 1 día)

Protección de datos

GDPR en marketing y casos prácticos

Sistemas de software CRM (aprox. 2 días)

Introducción a los sistemas CRM

Implantación del software

Mapeo de procesos, automatización de flujos de trabajo

Inteligencia artificial (IA) en CRM (aprox. 1 día)

Presentación de tecnologías específicas de IA

Análisis predictivo y análisis de sentimientos

AI humanizadora para la fidelización de clientes

CRM analítico (aprox. 2 días)

KPI para medir el éxito

Minería de datos, OLAP

Análisis DAFO en CRM

Análisis drill-down

Ciclo de relación con el cliente y satisfacción del cliente (aprox. 2 días)

Ciclo de relación con el cliente

Gestión de la satisfacción: NPS, CSAT, KANO y parámetros de optimización

Captación y fidelización de clientes y aumento de la rentabilidad (aprox. 2 días)

Marketing basado en cuentas (ABM)

Procesos estratégicos de captación

Programas de fidelización

Aumento de la rentabilidad

La comunicación con el cliente como garante de la relación (aprox. 2 días)

Habilidades conversacionales y empatía en el contacto con el cliente

Psicología de la relación con el cliente

Técnicas de desescalada para momentos críticos con el cliente

Cómo la comunicación auténtica crea relaciones a largo plazo

Trabajo por proyectos (aprox. 3 días)

Consolidar los contenidos aprendidos

Presentación de los resultados del proyecto

Fundamentos de estadística (aprox. 6 días)

Fundamentos de la teoría de la medición (población y muestra, tipos de muestra, niveles de medición y escala)

Estadística descriptiva univariante (distribuciones de frecuencia, medidas centrales, medidas de dispersión, valor estándar, histogramas, diagramas de barras, diagramas circulares, diagramas de líneas y diagramas de caja)

Estadística descriptiva bivariante (medidas de correlación, coeficientes de correlación, tablas cruzadas, gráficos de dispersión y gráficos de barras agrupadas)

Fundamentos de la estadística inferencial inductiva (distribución de probabilidades, distribución normal, distribución del valor medio, prueba de significación, prueba de hipótesis nula de Fisher, tamaño del efecto, estimación de parámetros, intervalos de confianza, gráficos de barras de error, análisis de potencia y determinación del tamaño óptimo de la muestra).

Inteligencia artificial (IA) en el proceso de trabajo

Presentación de tecnologías específicas de IA

y posibles aplicaciones en el entorno profesional

Métodos para comparar dos grupos (aprox. 5 días)

pruebas z y t para una muestra (desviación de un valor especificado)

Prueba t para la diferencia de medias entre dos muestras independientes/conectadas

Comprobación de la eficacia de acciones, medidas, intervenciones y otros cambios con pruebas t (diseños pretest-postest con dos grupos)

Pruebas de significación de apoyo (prueba de Anderson-Darling, prueba de Ryan-Joiner, prueba de Levene, prueba de Bonnet, prueba de significación para correlaciones)

Métodos no paramétricos (prueba de Wilcoxon, prueba de signos, prueba de Mann-Whitney)

Análisis de contingencia (prueba binomial, prueba exacta de Fisher, prueba chi-cuadrado, tabulaciones cruzadas con medidas de asociación)

Métodos para comparar las medias de varios grupos (aprox. 5 días)

Análisis de varianza monofactorial y bifactorial (ANOVA simple y equilibrado)

Análisis multifactorial de la varianza (modelo lineal general)

Factores fijos, aleatorios, cruzados y anidados

Métodos de comparación múltiple (Tukey-HSD, Dunnett, Hsu-MCB, Games-Howell)

Análisis de interacción (análisis de efectos de interacción)

Análisis de selectividad y potencia para análisis de varianza

Introducción al diseño de experimentos (DoE) (aprox. 1 día)

Diseños experimentales factoriales completos y parciales

Trabajo por proyectos (aprox. 3 días)

Consolidar los contenidos aprendidos

Presentación de los resultados del proyecto

Conceptos básicos de sistemas de bases de datos y SQL (aprox. 3 días)

Visión general de los sistemas y modelos de bases de datos

Datos redundantes e integridad de los datos

Normalización y BCNF

Diseño de bases de datos y modelo entidad-relación (ERM)

Claves primarias y externas

Relaciones entre relaciones

Tipos de datos en SQL

Índices y rendimiento

Restricciones y validación

Consultas (SQL)

Formularios e informes en los SGBD modernos

Gestión de referencias circulares y dependencias

Introducción a SQL Server Management Studio (SSMS) (aprox. 2 días)

Visión general de SQL Server y SSMS

Diseño físico de bases de datos

Creación de tablas y definición de tipos de datos

Restricciones, valores por defecto y relaciones

Diagramas de base de datos y relaciones

Copia de seguridad y restauración

Inteligencia artificial (IA) en el proceso de trabajo

Presentación de tecnologías específicas de IA

y posibles aplicaciones en el entorno profesional

Introducción a DDL (Lenguaje de definición de datos) (aprox. 8 días)

Conceptos básicos de SQL y sintaxis avanzada

Creación de tablas y definición de restricciones

Definición de operadores y funciones

Consulta y manipulación de datos

Tratamiento de errores y gestión de transacciones

DCL - Lenguaje de control de datos y seguridad (aprox. 1 día)

Administración de usuarios y autorizaciones

Roles, autorizaciones y auditoría

Tipos de datos, importación y exportación de datos en sistemas modernos (aprox. 1 día)

Importación y exportación de datos

Tipos de datos modernos

Trabajo por proyectos (aprox. 5 días)

Consolidar los contenidos aprendidos

Presentación de los resultados del proyecto

Conceptos básicos de Python (aprox. 1 día)

Historia, conceptos

Uso y ámbitos de aplicación

sintaxis

Lexis, semántica

Convenciones PEP-8

Intérprete frente a compilador

Primeros pasos con Python (aprox. 5 días)

Números

Cadenas

Fecha y hora

Entrada y salida estándar

Operadores numéricos

Operadores de comparación, lógicos y bitwise

Conversión de tipos de datos

lista, tupla dict, conjunto

Funciones y métodos de lista

Ramas y bucles (if, for, while)

operadores miembro

Inteligencia artificial (IA) en el proceso de trabajo

Presentación de tecnologías específicas de IA

y posibles aplicaciones en el entorno profesional

Funciones (aprox. 5 días)

Defina sus propias funciones

Variables

Parámetros y argumentos

Valores de retorno

Recursión

Espacios de nombres

Programación funcional

Solución de problemas (aprox. 0,5 días)

intentar, excepto

Tipos de error

Interceptación de interrupciones del programa

Transmisión de errores entre funciones

Programación orientada a objetos (aprox. 4,5 días)

Clases de Python

Métodos

Objetos inmutables

Clases de datos

Herencia

Trabajo de proyecto, preparación de la certificación y examen de certificación "PCEP™ - Certified Entry-Level Python Programmer" en inglés (aprox. 4 días).

Fundamentos de Business Intelligence (aprox. 2 días)

Campos de aplicación, dimensiones de una arquitectura BI

Fundamentos de la inteligencia empresarial, OLAP, OLTP, tareas de los ingenieros de datos

Data Warehousing (DWH): tratamiento y procesamiento de datos estructurados, semiestructurados y no estructurados

Gestión de requisitos (aprox. 2 días)

Tareas, objetivos y procedimientos en el análisis de requisitos

Modelización de datos, introducción/modelización con ERM

Introducción/modelado en UML

- Diagramas de clases

- Análisis de casos de uso

- Diagramas de actividad

Inteligencia artificial (IA) en el proceso de trabajo

Presentación de tecnologías específicas de IA

y posibles aplicaciones en el entorno profesional

Bases de datos (aprox. 3 días)

Conceptos básicos de los sistemas de bases de datos

Arquitectura de los sistemas de gestión de bases de datos

Aplicación de RDBMS

Implementación del modelo de datos en RDBMS, formas normales

Introducción práctica y teórica a SQL

Límites de las bases de datos relacionales, csv, json

Almacén de datos (aprox. 4 días)

Esquema en estrella

Modelado de datos

Creación de Star Schema en RDBMS

Snowflake Schema, fundamentos, modelado de datos

Creación de Snowflake Schema en RDBMS

Galaxy Schema: Conceptos básicos, modelado de datos

Modificación Lenta de Tablas de Dimensión Tipo 1 a 5 - Restauración, Apilamiento, Reorganización, mini Dimensión y Tipo 5

Introducción a las dimensiones normales, causales, mini y monstruosas, heterogéneas y subdimensiones

Comparación de las orientadas al estado y a la transacción

Tablas de hechos DWH, densidad y almacenamiento

ETL (aprox. 4 días)

Limpieza de datos

- Valores nulos

- Preparación de datos

- Armonización de datos

- Aplicación de expresiones regulares

Comprensión de datos

- Validación de datos

- Análisis estadístico de datos

Protección y seguridad de los datos

Estructura práctica de las rutas ETL

Data Vault 2.0, conceptos básicos, hubs, enlaces, satélites, hash key, hash diff.

Modelización de datos Data Vault

Estructura práctica de un modelo Data Vault - Raw Vault, aplicación práctica de procedimientos hash

Trabajo por proyectos (aprox. 5 días)

Consolidar los contenidos aprendidos

Presentación de los resultados del proyecto

Introducción al análisis de datos (aprox. 1 día)

Modelo de referencia CRISP-DM

Flujos de trabajo de análisis de datos

Definición de inteligencia artificial, aprendizaje automático, aprendizaje profundo

Requisitos y función en la empresa de ingenieros de datos, científicos de datos y analistas de datos

Repaso de los fundamentos de Python (aprox. 1 día)

Análisis de datos (aprox. 3 días)

Módulos centrales de Python en el contexto del análisis de datos (NumPy, Pandas)

Proceso de preparación de datos

Algoritmos de minería de datos en Python

Inteligencia artificial (IA) en el proceso de trabajo

Presentación de tecnologías específicas de IA

y posibles aplicaciones en el entorno profesional

Visualización de datos (aprox. 3 días)

Análisis exploratorio de datos

Perspectivas

Calidad de los datos

Análisis de beneficios

Visualización con Python: Matplotlib, Seaborn, Plotly Express

Narración de datos

Gestión de datos (aprox. 2 días)

Arquitecturas de big data

Bases de datos relacionales con SQL

Comparación de bases de datos SQL y NoSQL

Inteligencia empresarial

Protección de datos en el contexto del análisis de datos

Análisis de datos en un contexto de big data (aprox. 1 día)

Enfoque MapReduce

Spark

NoSQL

Cuadros de mando (aprox. 3 días)

Biblioteca: Cuadros de mando

Estructura y personalización de cuadros de mando

Devoluciones de llamada

Minería de textos (aprox. 1 día)

Preprocesamiento de datos, visualización

Biblioteca: SpaCy

Trabajo por proyectos (aprox. 5 días)

Consolidar los contenidos aprendidos

Presentación de los resultados del proyecto