Objetivo General

Desarrollar competencias para comprender, analizar y aplicar soluciones Big Data desde una perspectiva operacional, que permitan modelar información y anticipar procesos de mantenimiento, reduciendo averías y optimizando recursos.

Descargar Ficha PDF Cotizar

Objetivos Específicos

         Reconocer el concepto de Big Data, sus componentes principales y el impacto en la operación.
         Identificar herramientas y tecnologías clave para almacenar y procesar grandes volúmenes de datos.
         Aplicar métodos de análisis para extraer información relevante que sustente decisiones estratégicas.
         Implementar visualizaciones y reportes que permitan monitorear y anticipar fallos en los equipos.
         Desarrollar un proyecto integrador que contemple el ciclo completo de un pipeline Big Data aplicado a mantenimiento predictivo.

Módulo 1: Fundamentos de Big Data

        Aprendizaje Esperado: Desde el punto vista operacional, esto nos permitirá optimizar la manera actual de atender averías por cuanto permite modelar la información a fin de generar procesos de mantenimiento anticipados o focalizados.
        Reconocer el concepto de Big Data y cuáles son sus principales estructuras y modelos: Qué son las 5Vs, tipos de datos y ejemplos industriales.
        Cómo analizar la información, a través de herramientas: Breve introducción a Hadoop, Spark y bases distribuidas.
        Toma de decisiones oportunas y de manera estratégica: Rol del Big Data en las decisiones operacionales del día a día.
        Actividad Práctica: Estudio de caso sobre cómo una minera aplicó Big Data para reducir fallas en equipos críticos.

Módulo 2: Arquitecturas y Almacenamiento Distribuido

        Aprendizaje Esperado: Identificar arquitecturas de almacenamiento que soporten el crecimiento de datos operativos.
        Reconocer el concepto de Big Data y cuáles son sus principales estructuras y modelos: Cluster Hadoop, HDFS y distribución de datos.
        Cómo analizar la información, a través de herramientas: Configuración simple de un ambiente virtualizado para simular Hadoop.
        Toma de decisiones oportunas y de manera estratégica: Evaluar riesgos de tener datos centralizados vs distribuidos.
        Actividad Práctica: Simulación de creación de carpetas en HDFS para ver cómo se fragmenta la data.

Módulo 3: Procesamiento Batch con MapReduce

        Aprendizaje Esperado: Comprender cómo extraer valor de grandes lotes de datos históricos para mantenimiento.
        Reconocer el concepto de Big Data y cuáles son sus principales estructuras y modelos: ETL para logs y registros de fallas.
        Cómo analizar la información, a través de herramientas: MapReduce para hacer agregaciones masivas.
        Toma de decisiones oportunas y de manera estratégica: Detectar patrones que permitan planificar mantenimientos programados.
        Actividad Práctica: Simulación de ejecución MapReduce sobre registros simulados para identificar activos con mayor frecuencia de fallas.

Módulo 4: Procesamiento en Tiempo Real con Spark Streaming

        Aprendizaje Esperado: Aprovechar datos en tiempo real para activar acciones de mantenimiento inmediato.
        Reconocer el concepto de Big Data y cuáles son sus principales estructuras y modelos: Ventajas del streaming frente al batch.
        Cómo analizar la información, a través de herramientas: Spark Streaming conectado a flujos de datos simulados.
        Toma de decisiones oportunas y de manera estratégica: Generar alertas tempranas para evitar paradas no planificadas.
        Actividad Práctica: Taller práctico configurando un flujo Spark que detecte variaciones anómalas en sensores.

Módulo 5: Bases de Datos NoSQL

        Aprendizaje Esperado: Usar tecnologías NoSQL para soportar consultas rápidas y almacenar grandes volúmenes no estructurados.
        Reconocer el concepto de Big Data y cuáles son sus principales estructuras y modelos: Diferencias entre modelos clave-valor, documentos, columnares y grafos.
        Cómo analizar la información, a través de herramientas: MongoDB o Cassandra aplicados a datos de mantenimiento.
        Toma de decisiones oportunas y de manera estratégica: Acceder rápidamente a historiales que permitan priorizar acciones.
        Actividad Práctica: Diseñar un pequeño esquema en MongoDB para guardar incidencias, tiempos medios entre fallas y mantenimientos realizados.

Módulo 6: Analítica Predictiva Aplicada

        Aprendizaje Esperado: Implementar modelos sencillos para predecir el comportamiento de equipos y anticipar reemplazos o ajustes.
        Reconocer el concepto de Big Data y cuáles son sus principales estructuras y modelos: Modelos predictivos y sus bases matemáticas.
        Cómo analizar la información, a través de herramientas: Uso de Python con Pandas y Scikit-learn para regresión lineal.
        Toma de decisiones oportunas y de manera estratégica: Programar cambios de piezas antes de que fallen.
        Actividad Práctica: Ejercicio práctico aplicando un modelo predictivo para estimar vida útil restante de componentes.

Módulo 7: Visualización de Datos e Indicadores

        Aprendizaje Esperado: Crear dashboards e informes que faciliten la toma de decisiones en el área operacional.
        Reconocer el concepto de Big Data y cuáles son sus principales estructuras y modelos: Importancia de las visualizaciones frente a tablas.
        Cómo analizar la información, a través de herramientas: Power BI o Tableau para construir paneles interactivos.
        Toma de decisiones oportunas y de manera estratégica: Monitorear activos y priorizar mantenimientos críticos.

Módulo 8: Proyecto Integrador

        Aprendizaje Esperado: Desarrollar un ciclo completo Big Data orientado a mantenimiento predictivo, desde ingesta hasta reportes.
        Reconocer el concepto de Big Data y cuáles son sus principales estructuras y modelos: Diseñar un flujo integral con distintas herramientas.
        Cómo analizar la información, a través de herramientas: Procesar datos históricos + simulados en streaming y visualizarlos.
        Toma de decisiones oportunas y de manera estratégica: Generar recomendaciones claras para reducir paradas y costos.
        Actividad Práctica: Proyecto grupal o individual donde se implemente un pipeline completo desde los datos hasta un dashboard final.
        Evaluación final.