Business Intelligence

Conocimientos o contenidos

• Proceso de extracción de conocimiento: el ciclo KDD (Knowledge Discovery in Databases), sus fases, metodologías de referencia, tipos de problemas analíticos y panorama de herramientas BI.
• Selección, limpieza y transformación de datos: integración de fuentes heterogéneas, calidad del dato, tratamiento de valores perdidos y atípicos, normalización, discretización, codificación de variables categóricas, reducción de dimensionalidad y muestreo.
• Almacenes de datos (data warehouse): arquitectura y componentes, data marts, modelado dimensional (esquemas en estrella y copo de nieve), cubos OLAP y procesos ETL de carga.
• Técnicas de minería de datos: clasificación, regresión, agrupamiento, asociación y detección de anomalías.
• Interpretación y evaluación de modelos: medidas de evaluación para clasificación, regresión, agrupamiento y reglas de asociación; validación cruzada y técnicas de selección de modelos.
• Visualización de datos: principios de visualización efectiva, tipos de gráficos según el problema analítico, dashboards y storytelling con datos; visualizaciones básicas y especializadas.
• Tendencias: Big Data, Open Data, Linked Data y extracción en datos no convencionales.

Competencias

• Capacidad para abordar proyectos de extracción de conocimiento y para aplicar técnicas de Minería de Datos para la resolución de problemas específicos.
• Capacidad para concebir sistemas de apoyo a la decisión a través del uso de las arquitecturas más utilizadas que dan soporte al proceso OLAP.
• Capacidad de integrar soluciones de Tecnologías de la Información y las Comunicaciones y procesos empresariales para satisfacer las necesidades de información de las organizaciones, permitiéndoles alcanzar sus objetivos de forma efectiva y eficiente.
• Capacidad para comprender el entorno de una organización y sus necesidades en el ámbito de las tecnologías de la información y las comunicaciones.
• Capacidad para conceptualizar modelos de ingeniería y aplicar métodos analíticos en la resolución de problemas de optimización de procesos y sistemas.

Habilidades o destrezas

• Generación de modelos de análisis y visualización de datos, interpretando la información de forma crítica.
• Diseño e implementación de procesos ETL para alimentar un data warehouse a partir de fuentes heterogéneas.
• Aplicación de técnicas de preprocesamiento (limpieza, transformación, reducción) que garanticen la calidad del dato analítico.
• Construcción de modelos descriptivos y predictivos (clasificación, regresión, agrupamiento, asociación) utilizando herramientas BI y entornos analíticos estándar de la industria.
• Evaluación crítica de los modelos obtenidos mediante las métricas adecuadas a cada tipo de problema, evitando errores frecuentes (sobreajuste, fugas de información, sesgos).
• Diseño de visualizaciones y dashboards que comuniquen con eficacia los hallazgos analíticos a perfiles tanto técnicos como de negocio.

La dedicación requerida para esta asignatura de 6 créditos ECTS es de 150 horas, que se encuentran distribuidas de la siguiente manera:

• Clases teóricas síncronas: (11 horas)
• Clases teóricas asíncronas: (11 horas)
• Clases prácticas síncronas: (11 horas)
• Clases prácticas asíncronas: (11 horas)
• Realización de trabajos o proyectos: (22 horas)
• Pruebas finales de evaluación/Exámenes: (2 horas)
• Estudio individual y trabajo autónomo: (82 horas) 

El profesor aporta un seguimiento individualizado de la actividad del estudiante para asegurar las mejores condiciones de aprendizaje mediante la tutorización a través de las herramientas de la plataforma educativa y/o de las tutorías telefónicas. En estas tutorías los estudiantes pueden consultar a los profesores las dudas acerca de la materia estudiada.

• Ralph Kimball, Margy Ross (2013). The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling. Ed.: John Wiley & Sons, Incorporated.
• Foster Provost, Tom Fawcett (2013). Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking. Ed.: Ascent Audio.
• Cole Nussbaumer Knaflic (2015). Storytelling with Data: A Data Visualization Guide for Business Professionals. Ed.: Wiley.
• Luis Joyanes Aguilar (2020). Inteligencia de negocios y analítica de datos. Ed.: Marcombo.
• Juan Alfonso Lara (2016). Business intelligence. Ed.: Centro de Estudios Financieros (CEF).

Durante el estudio de esta asignatura, el proceso de evaluación del aprendizaje es continuo y contempla la realización de:

La evaluación de la asignatura se realizará como sigue:

• Evaluación continua de actividades. Se llevará a cabo a través de controles, actividades autoevaluativas y entregas parciales de actividades de búsqueda de información y de actividades dirigidas con material multimedia, audiovisual o interactivo, fomentando la capacidad de análisis y reflexión del estudiante. Supone el 25% de la nota final.
• Resolución de supuestos o casos prácticos. Consiste en la exposición de una situación, real o simulada, vinculada a los contenidos de la asignatura. El estudiante debe examinarla y ofrecer una respuesta fundamentada, aplicando los conocimientos adquiridos, las metodologías adecuadas y las competencias desarrolladas en el proceso formativo. Supone el 25% de la nota final.
• Un examen final que supone el 50% de la nota final. Está dirigido a la valoración de las competencias y conocimientos adquiridos por el estudiante. El examen se evaluará de 0 a 10.
• Para poder presentarse al examen final, en cualquiera de las convocatorias, es imprescindible cumplir el siguiente requisito: alcanzar una calificación mínima de 2,5 puntos sobre 5 en la media ponderada obtenida al sumar las notas de las actividades de evaluación continua y la actividad de resolución de supuestos o casos prácticos.
• El estudiante que se presente al examen sin cumplir los anteriores requisitos, será calificado con un cero en el examen final y consumirá convocatoria.
•  
• Para superar la asignatura será necesario que el examen esté aprobado (calificación de 5 o más sobre 10) y que la calificación final de la asignatura sea de 5 o superior.

Cuadro resumen del sistema de evaluación

Para aprobar la asignatura, es necesario obtener una calificación mínima de 5 en el examen final, así como en la calificación total del curso, una vez realizado el cómputo ponderado de las calificaciones obtenidas en las actividades didácticas y en el examen final.

Si un estudiante no aprueba la asignatura en la convocatoria ordinaria podrá examinarse en la convocatoria de septiembre. El estudiante que no se presente a la convocatoria de febrero y/o de julio ni a la de septiembre, perderá automáticamente todos los trabajos realizados a lo largo del curso. Deberá en este caso matricularse de nuevo en la asignatura.

Las fechas previstas para la realización de todas las actividades se indican en el aula virtual de la asignatura.

Originalidad de los trabajos académicos

Según la Real Academia Española, “plagiar” significa copiar en lo sustancial obras ajenas dándolas como propias. Dicho de otro modo, plagiar implica expresar las ideas de otra persona como si fuesen propias, sin citar la autoría de las mismas. Igualmente, la apropiación de contenido puede ser debida a una inclusión excesiva de información procedente de una misma fuente, pese a que esta haya sido citada adecuadamente. Teniendo en cuenta lo anterior, el estudiante deberá desarrollar sus conocimientos con sus propias palabras y expresiones. En ningún caso se aceptarán copias literales de párrafos, imágenes, gráficos, tablas, etc. de los materiales consultados. En caso de ser necesaria su reproducción, esta deberá contemplar las normas adecuadas para la citación académica.

Los documentos que sean presentados en las actividades académicas podrán ser sometidos a diferentes mecanismos de comprobación de la originalidad (herramientas antiplagios que detectan coincidencias de texto con otras fuentes, comparación con trabajos de otros estudiantes, comparación con información publicada en Internet, etc). El profesor valorará si el trabajo presentado cuenta con los criterios de originalidad exigidos o, en su caso, se atribuye adecuadamente la información no propia a las fuentes correspondientes. La adjudicación como propia de información que corresponde a otros autores podrá suponer el suspenso de la actividad.

Los documentos presentados en las actividades académicas podrán ser almacenados en formato papel o electrónico y servir de comparación con otros trabajos de terceros, a fin de proteger la originalidad de la fuente y evitar la apropiación indebida de todo o parte del trabajo del estudiante. Por tanto, podrán ser utilizados y almacenados por la universidad, a través del sistema que estime, con el único fin de servir como fuente de comparación de cualquier otro trabajo que se presente.

Sistema de calificaciones

El sistema de calificación de todas las actividades didácticas es numérico del 0 a 10 con expresión de un decimal, al que se añade su correspondiente calificación cualitativa:

0 - 4.9: Suspenso (SU)
5.0 - 6.9: Aprobado (AP)
7.0 - 8.9: Notable (NT)
9.0 - 10: Sobresaliente (SB)
Matrícula de honor (MH)
 

(RD 1125/2003, de 5 de septiembre, por lo que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y con validez en todo el territorio nacional).

La matrícula de honor se concede cuando el profesor lo considere oportuno en función de la excelencia de las actividades realizadas por el estudiante y las calificaciones obtenidas por el resto del grupo. No obstante, los criterios académicos de su concesión corresponden al departamento responsable de cada grado.