Gobernanza de Datos
Código: 44749 Créditos ECTS: 9| Titulación | Tipo | Curso |
|---|---|---|
| Archivística y Gobernanza de la Información | OB | 2 |
Contacto
- Nombre:
- Jordi Serra Serra
- Correo electrónico:
- jordi.serra.serra@uab.cat
Equipo docente
- Marc Soriano Rue
- Jordi Serra Serra
Idiomas de los grupos
Puede consultar esta información al final del documento.
Prerrequisitos
- Es recomendable que previamente se haya cursado la asignatura "Sistemas de información y arquitectura de sistemas"
- Es recomendable que previamente se haya cursado la asignatura "Descripción y recuperación de la información"
Objetivos y contextualización
1. Conocer el ciclo de vida de los datos y su gestión.
2. Conocer el contexto de producción de los datos.
3. Aplicar los principios archivísticos a la gestión de datos.
4. Conocer y comprender las principales herramientas y sistemas de gestión de datos.
5. Conocer sistemas gestores de datos y bases de datos.
6. Conocer modelos de gobernanza de datos, normas y estándares.
7. Conocer y comprender los sistemas básicos de uso, explotación y visualización de datos.
Resultados de aprendizaje
- CA21 (Competencia) Establecer los datos de calidad de una organización.
- CA22 (Competencia) Diseñar los criterios y los formatos para la gestión del ciclo de vida de los datos de una organización.
- KA30 (Conocimiento) Describir el ciclo de vida de los datos.
- KA31 (Conocimiento) Identificar tipos y formatos de datos.
- KA32 (Conocimiento) Reconocer los sistemas para la gobernanza de datos: repositorios, plataformas de arquitectura de datos y sistemas de bases de datos.
- SA23 (Habilidad) Utilizar las principales herramientas y sistemas de gestión de datos.
- SA24 (Habilidad) Aplicar técnicas para la gobernanza de datos en las organizaciones.
- SA25 (Habilidad) Aplicar los principios archivísticos a la gestión de datos.
Contenido
1.1. Los datos en las organizaciones (introducción)
1.2. ¿Dónde se producen los datos?
1.2.1. Formas de captura y generación de datos (trámites, sensores, etc.)
1.2.2. Los modelos para estructurar los datos (maestros, referenciales, etc.)
1.2.3. Arquitecturas para el almacenamiento (tipo de bases de datos)
1.3. ¿Cómo se utilizan los datos?
1.3.1.La preparación de los datos
1.3.1.1. Formatos de los datos a depurar
1.3.1.2. Limpieza de los datos (data cleansing)
1.3.1.3. Preparación para la explotación
1.3.2. La explotación y uso de los datos
1.3.2.1. Visualización de datos
1.3.2.2. Analítica avanzada estadística, o basada en ML e IA
1.3.2.3. Aplicación práctica de algoritmos de analítica avanzada
1.4. El gobierno integrado del dato
1.4.1. Identificación y catalogación de datos
1.4.2. El control del linaje del dato
1.4.3. Virtualización del acceso a los datos
1.4.4. Aspectos legales y de seguridad
1.4.5. Los vínculos con la archivística
Actividades formativas y Metodología
| Título | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|
| Tipo: Dirigidas | |||
| Sesiones teóricas | 45 | 1,8 | CA21, CA22, KA30, KA31, KA32, SA23, SA24, SA25, CA21 |
| Tipo: Supervisadas | |||
| Ejercicio 1: limpieza, depuración y preparación de un dataset. | 30 | 1,2 | CA21, CA22, CA21 |
| Ejercicio 2: creación de una visualización de datos. | 30 | 1,2 | CA21, KA31, SA23, CA21 |
| Ejercicio 3: ejecución de un análisis avanzado sobre un conjunto de datos. | 20 | 0,8 | CA21, SA23, SA24, CA21 |
| Tipo: Autónomas | |||
| Lectura de Materiales | 90 | 3,6 | CA21, CA22, KA30, KA31, KA32, SA23, SA24, SA25, CA21 |
| Prueba final: test de conocimientos generales de la asignatura. | 10 | 0,4 | CA21, CA22, KA30, KA31, KA32, SA23, SA24, SA25, CA21 |
Las actividades formativas autónomas serán la lectura de materiales y la preparación para la prueba final de conocimientos generales de la asignatura.
Las actividades dirigidas serán sesiones teóricas magistrales.
Las actividades supervisadas serán 3 ejercicios prácticos para hacer en casa con las explicaciones recibidas en clase.
Nota: se reservarán 15 minutos de una clase dentro del calendario establecido por el centro o por la titulación para que el alumnado rellene las encuestas de evaluación de la actuación del profesorado y de evaluación de la asignatura o módulo.
Evaluación
Actividades de evaluación continuada
| Título | Peso | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|---|
| Ejercicio 1: limpieza, depuración y preparación de un conjunto de datos. | 25% de la nota final | 0 | 0 | CA21, CA22 |
| Ejercicio 2: creación de una visualización de datos. | 25% de la nota final | 0 | 0 | CA21, KA31, SA23 |
| Ejercicio 3: ejecución de un análisis avanzado sobre un conjunto de datos. | 20% de la nota final | 0 | 0 | CA21, SA23, SA24 |
| Prueba final: prueba de conocimientos generales de la asignatura. | 30% de la nota final | 0 | 0 | CA21, CA22, KA30, KA31, KA32, SA23, SA24, SA25 |
Tanto el ejercicio 1 como el 2 valdrá un 25 de la nota final. El 3er valdrá un 20% y el examen final el 30%.
Para esta asignatura, se permite el uso de tecnologías de Inteligencia Artificial (IA) exclusivamente en tareas de soporte, como la búsqueda bibliográfica o de información, la corrección de textos o las traducciones, o la generación automática de conjuntos de datos ficticios para las prácticas. NO podrá utilizarse la IA, salvo que lo indique explícitamente el profesor, para la depuración de datos, la generación de visualizaciones, o la generación de código para el análisis avanzado de datos. Incluso en los casos en los que su uso haya sido indicado por el profesor, el estudiante deberá identificar claramente qué partes han sido generadas con esta tecnología, especificar las herramientas utilizadas e incluir una reflexión crítica sobre cómo éstas han influido en el proceso y el resultado final de la actividad. La no transparencia del uso de la IA en esta actividad evaluable se considerará falta de honestidad académica y puede acarrear una penalización parcial o total en la nota de la actividad, o sanciones mayores en casos de gravedad.
Bibliografía
Earley, S., & Henderson, D. (Ed.). (2017). DAMA-DMBOK: Data management body of knowledge (2nd edition). Data Management Association.
Ghavami, P. (2020). Big data management: Data governance principles for big data analytics (1a ed.). De Gruyter.
Khatri, V., & Brown, C. V. (2010). Designing data governance. Communications of the ACM, 53(1).
Laurent, A., Laurent, D., & Madera, C. (Ed.). (2019). Data lakes. ISTE Ltd / John Wiley and Sons Inc.
Lemieux, V. L., Gormly, B., & Rowledge, L. (2014). Meeting Big Data challenges with visual analytics: The role of records management. Records Management Journal, 24(2).
Reina, L. (2023). Noves arquitectures de dades. Lligall; Revista catalana d’arxivística, 46.
Serra Serra, J. (2024). El gobierno “archivístico” del dato. Tábula, 27.
Torreblanca, S. (2023). La governança de dades com a interacció: Un concepte analític per a les administracions públiques. Lligall; Revista catalana d’arxivística, 46.
Software
- Microsoft Power BI (desktop version)
- Microsoft Sharepoint
- Anaconda (Python)
- Orange Data Mining
Grupos e idiomas de la asignatura
| Nombre | Grupo | Idioma | Semestre | Turno |
|---|---|---|---|---|
| (TE) Teoría | 1 | Catalán | primer cuatrimestre | tarde |