1. La llegada del Big Data
2. El valor de aplicar Marketing Analytics y su rol en la organización
3. El ecosistema de datos disponibles
4. Incrementalidad y atribución
5. Business Driven Analytics: KPIs centrados en el cliente
6. Business Intelligence tradicional: warehouses, ETLs, cubos y BBDD relacionales
7. Taller de SQL
8. Toolkit de gestión ágil de proyectos de BI
9. Trabajo práctico grupal: estructura de datos de la organización
10. Gobernanza y democratización de los datos dentro de la organización
11. Data Visualization: datos que cuentan una historia
12. Taller de Data Studio
13. La evolución del BI tradicional: del Warehouse al Data Lake
14. Qué es la ciencia de datos
15. Algorítmos de Machine Learning
16. Interpretabilidad de los modelos
17. Problemas supervisados y no supervisados
18. Problemas supervisados: base estadística
19. Problemas supervisados: aplicación al negocio
20. Feature engineering
21. Predicción del churn vs MMM: la interpretabilidad como factor clave del proyecto
22. Problemas supervisados: medición de la precisión
23. Riesgos del sobre-ajuste de los modelos
24. Árboles de decisión: aplicación al negocio
25. Problemas no supervisados: Clustering
26. Problemas no supervisados: clustering aplicado al negocio y segmentación Heurística (RFM + Cohortes)