Máster en Analytics en Tiempo Real y Stream Processing
Máster online de 1900 h: 12 módulos y 120 submódulos, de «Analítica de datos en movimiento» a «Trabajo Fin de Máster», pasando por «Analítica y aprendizaje en tiempo real».
Mapa del programa · pulsa un módulo
Módulo 1 · Analítica de datos en movimiento
1900 hDuración total
12Módulos
120Submódulos
OnlineModalidad
Competencias y resultados
6 bloques de competencia, sacados de los módulos de este programa. Pulsa cualquiera y ves qué vas a saber hacer.
Analítica de datos en movimiento
Saldrás manejando datos en reposo frente a datos en movimiento, casos de uso de tiempo real y latencia, rendimiento y frescura. Es lo que se trabaja en «Analítica de datos en movimiento», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Ingesta desde el mundo físico
Saldrás manejando protocolos MQTT y AMQP, OPC UA en la industria y pasarelas IoT. Es lo que se trabaja en «Ingesta desde el mundo físico», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Motores y lenguajes de streaming
Saldrás manejando apache Flink en profundidad, spark Structured Streaming y kafka Streams. Es lo que se trabaja en «Motores y lenguajes de streaming», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Analítica y aprendizaje en tiempo real
Saldrás manejando agregaciones e indicadores continuos, detección de anomalías en flujo y procesamiento de eventos complejos. Es lo que se trabaja en «Analítica y aprendizaje en tiempo real», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Operación, escalabilidad y fiabilidad
Saldrás manejando despliegue en Kubernetes, escalado de particiones y tareas y contrapresión. Es lo que se trabaja en «Operación, escalabilidad y fiabilidad», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Aplicaciones industriales
Saldrás manejando monitorización de redes eléctricas, mantenimiento predictivo en fábricas y gestión de flotas y logística. Es lo que se trabaja en «Aplicaciones industriales», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Objetivos de aprendizaje
01Diseñar arquitecturas para datos en movimiento.
02Operar sistemas de mensajería distribuida.
03Ingerir datos de sensores y sistemas industriales.
04Procesar flujos con semántica de tiempo de evento.
05Aplicar analítica y aprendizaje en tiempo real.
06Operar pipelines escalables y fiables.
07Gobernar y asegurar plataformas de streaming.
Plan de estudios
12 módulos, 120 submódulos, 1900 h. Elige un módulo y ves su contenido completo.
1 de 12 módulos abiertos
Módulo 1 de 12 · 10 submódulos
Analítica de datos en movimiento
1.1Datos en reposo frente a datos en movimiento
1.2Casos de uso de tiempo real
1.3Latencia, rendimiento y frescura
1.4Arquitecturas lambda y kappa
1.5Eventos, mensajes y registros
1.6Semántica de entrega
1.7Requisitos no funcionales
1.8Ecosistema de tecnologías
1.9Costes y dimensionamiento
1.10Caso práctico: requisitos de una plataforma de telemetría
Módulo 2 de 12 · 10 submódulos
Mensajería y registro distribuido
2.1Colas frente a registros distribuidos
2.2Arquitectura de Apache Kafka
2.3Temas, particiones y réplicas
2.4Productores y consumidores
2.5Grupos de consumidores
2.6Esquemas y Schema Registry
2.7Kafka Connect
2.8Retención y compactación
2.9Alternativas: Pulsar y RabbitMQ
2.10Laboratorio: clúster Kafka con Docker
Módulo 3 de 12 · 10 submódulos
Ingesta desde el mundo físico
3.1Protocolos MQTT y AMQP
3.2OPC UA en la industria
3.3Pasarelas IoT
3.4Datos de sensores y series temporales
3.5Captura de cambios en bases de datos
3.6Calidad de datos en origen
3.7Sincronización de relojes
3.8Compresión y formatos binarios
3.9Seguridad en la ingesta
3.10Práctica: ingesta MQTT hacia Kafka
Módulo 4 de 12 · 10 submódulos
Procesamiento de flujos
4.1Modelo de flujo de datos
4.2Tiempo de evento y tiempo de proceso
4.3Marcas de agua
4.4Ventanas temporales
4.5Estado y puntos de control
4.6Exactamente una vez
4.7Uniones entre flujos
4.8Procesamiento con estado complejo
4.9Reprocesamiento de históricos
4.10Laboratorio: ventanas temporales con Apache Flink
Módulo 5 de 12 · 10 submódulos
Motores y lenguajes de streaming
5.1Apache Flink en profundidad
5.2Spark Structured Streaming
5.3Kafka Streams
5.4SQL sobre flujos
5.5ksqlDB y Flink SQL
5.6Procesamiento sin servidor
5.7Servicios gestionados en la nube
5.8Comparativa de motores
5.9Selección tecnológica
5.10Práctica: consulta continua con Flink SQL
Módulo 6 de 12 · 10 submódulos
Almacenamiento y consulta en tiempo real
6.1Bases de datos de series temporales
6.2Bases de datos OLAP en tiempo real
6.3Apache Druid y ClickHouse
6.4Vistas materializadas incrementales
6.5Formatos de tabla abiertos
6.6Arquitectura lakehouse en streaming
6.7Cachés y almacenes clave-valor
6.8Consultas de baja latencia
6.9Gestión del ciclo de vida
6.10Laboratorio: panel en tiempo real con ClickHouse
Módulo 7 de 12 · 10 submódulos
Analítica y aprendizaje en tiempo real
7.1Agregaciones e indicadores continuos
7.2Detección de anomalías en flujo
7.3Procesamiento de eventos complejos
7.4Aprendizaje automático en línea
7.5Inferencia de modelos en streaming
7.6Almacenes de características
7.7Deriva de datos y de concepto
7.8Previsión en tiempo real
7.9Evaluación continua de modelos
7.10Práctica: detector de anomalías en telemetría
Módulo 8 de 12 · 10 submódulos
Visualización y alertas
8.1Paneles de tiempo real
8.2Grafana y fuentes en streaming
8.3Diseño de alertas útiles
8.4Fatiga de alarmas
8.5Notificaciones y escalado
8.6Visualización de series temporales
8.7Mapas en tiempo real
8.8Interfaces de operación
8.9Pruebas con usuarios
8.10Taller: sistema de alertas para una red de sensores
Módulo 9 de 12 · 10 submódulos
Operación, escalabilidad y fiabilidad
9.1Despliegue en Kubernetes
9.2Escalado de particiones y tareas
9.3Contrapresión
9.4Tolerancia a fallos
9.5Recuperación ante desastres
9.6Observabilidad de pipelines
9.7Pruebas de carga
9.8Gestión de versiones de esquemas
9.9Costes operativos
9.10Laboratorio: prueba de carga de un pipeline
Módulo 10 de 12 · 10 submódulos
Seguridad y gobernanza
10.1Autenticación y autorización
10.2Cifrado en tránsito y en reposo
10.3Multitenencia
10.4Datos personales en flujos
10.5Anonimización en tiempo real
10.6Linaje y catálogo de datos
10.7Contratos de datos
10.8Auditoría y cumplimiento
10.9Gobernanza de esquemas
10.10Caso práctico: gobernanza de una plataforma de eventos
Módulo 11 de 12 · 10 submódulos
Aplicaciones industriales
11.1Monitorización de redes eléctricas
11.2Mantenimiento predictivo en fábricas
11.3Gestión de flotas y logística
11.4Movilidad urbana y tráfico
11.5Detección de fraude
11.6Telecomunicaciones
11.7Ciberseguridad con eventos
11.8Gemelos digitales en tiempo real
11.9Retorno de la inversión
11.10Caso práctico: plataforma de telemetría para una flota de trenes
Módulo 12 de 12 · 10 submódulos
Trabajo Fin de Máster
12.1Definición del caso de uso
12.2Estado del arte
12.3Requisitos y arquitectura
12.4Ingesta y modelado de eventos
12.5Procesamiento de flujos
12.6Analítica y visualización
12.7Pruebas de rendimiento
12.8Conclusiones
12.9Memoria del TFM
12.10Defensa ante tribunal
¿Cuánto me va a llevar?
Mueve las horas que puedes dedicar cada semana y calculamos tu ritmo sobre las 1900 h del programa.
—meses a ese ritmo
—semanas por módulo
—frente a los 1900 horas · 12 a 18 meses previstos
¿Qué nivel tienes ya?
Cinco conceptos del propio temario. Marca lo que ya controlas y te decimos si te conviene el curso, el diplomado o el máster.
Casos de uso de tiempo real
Módulo 1 · Analítica de datos en movimiento
Seguridad en la ingesta
Módulo 3 · Ingesta desde el mundo físico
Procesamiento sin servidor
Módulo 5 · Motores y lenguajes de streaming
Procesamiento de eventos complejos
Módulo 7 · Analítica y aprendizaje en tiempo real
Laboratorio: prueba de carga de un pipeline
Módulo 9 · Operación, escalabilidad y fiabilidad
Marca los cinco conceptos y te damos tu resultado.
Este programa se imparte en el área de Data, IA, Simulación & Analytics, que dirige Dra. Lucía Hernández Vega. Debajo, los directores académicos más cercanos a este programa. El detalle de cada instituto está en la página de institutos.
Dra. Lucía Hernández VegaDirectora Académica del DAIS — Data, Artificial Intelligence & Simulation Institute.
Dr. Kevin O’ConnorDirector Académico del EET — Electronics & Embedded Technologies Institute.
Prof. Kenji TakahashiDirector Académico del SRA — Robotics & Autonomous Systems Institute.
1Rellenas la solicitud de admisiónTitulación o experiencia y firma, en una sola página.
2El sistema verifica la documentación al instanteEl sistema comprueba los datos y la firma al momento.
3Eliges modalidad de pago y reservas tu plazaPago único con descuento o entrada más cuotas mensuales. La matrícula de esta semana cierra el 23-10-2026.
¿Tienes titulación universitaria en ingeniería, ciencias o arquitectura, o experiencia profesional equivalente?
¿Trabajas o quieres trabajar en Data, IA, Simulación & Analytics?
¿Puedes mantener un ritmo de estudio constante durante 1900 horas · 12 a 18 meses?
Responde las tres y te decimos por dónde seguir.
Requisitos de acceso
·Titulación universitaria en ingeniería, ciencias o arquitectura, o experiencia profesional acreditable equivalente.
·Conexión a internet y un ordenador capaz de ejecutar el software del programa.
·Nivel de español suficiente para seguir lectura de normativa técnica.
Cómo se estudia
Formación 100 % online en el campus de SEIUM, con material descargable, clases grabadas y tutor técnico asignado. Sin horarios fijos: el alumno avanza a su ritmo dentro de la convocatoria, lo que permite compatibilizarlo con el trabajo.
Cada módulo combina teoría, lectura guiada de la norma original y ejercicios aplicados. El software de trabajo es Apache Kafka, Apache Flink, Spark Structured Streaming, ClickHouse, Grafana, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de pruebas de carga de pipelines de eventos, detección de anomalías en telemetría, consultas continuas sobre flujos. La evaluación es continua por módulo más el TFM final.
Son 12 módulos con 120 submódulos y 1900 h de trabajo total. Abre por «Analítica de datos en movimiento» y cierra con «Trabajo Fin de Máster».
Se trabajan ISO/IEC 20922, ISO/IEC 19464, IEC 62541, ISO/IEC 9075, ISO/IEC 25012 y ISO/IEC 27001.
Los perfiles más directos son Ingeniero de datos en tiempo real, Arquitecto de plataformas de streaming, Ingeniero de fiabilidad de datos, Científico de datos de series temporales y Desarrollador de aplicaciones IoT.
En un pago son 3.304 €, sobre una tarifa de 4.130 €. A plazos, una entrada de 1.980 € y 12 cuotas de 248 €, 4.956 € en total.
Titulación universitaria en ingeniería, ciencias o arquitectura, o experiencia profesional acreditable equivalente, Conexión a internet y un ordenador capaz de ejecutar el software del programa y Nivel de español suficiente para seguir lectura de normativa técnica.
El programa son 1900 horas totales repartidas en 12 a 18 meses. Eso son entre 10 y 15 horas semanales de media, compatibles con jornada laboral completa.
Se trabaja con Apache Kafka, Apache Flink, Spark Structured Streaming, ClickHouse, Grafana. Se usan versiones gratuitas, académicas o de evaluación, y el tutor indica la alternativa libre cuando existe.
Diploma propio de SEIUM al superar la evaluación continua y el Trabajo Fin de Máster. Es formación propia, no un título oficial del Ministerio.
Sí. Los módulos superados en un curso o diplomado del mismo área convalidan en el programa superior. Consulta la política de convalidaciones al matricularte.
No es lo mismo llegar aquí recién titulado que con diez años en el sector. Dinos de dónde vienes.
Qué te aportaPasar de la teoría de carrera al criterio de proyecto: qué norma aplica a cada parte del trabajo, qué criterios de aceptación se fijan antes de ejecutar y cómo se deja todo documentado.
Dónde vas a sudarEl módulo de normativa y evidencia documental, si todavía no has trabajado dentro de un proyecto real con auditoría de por medio.
Con qué salesCon una memoria técnica propia, sobre un caso real, que puedes poner encima de la mesa en una entrevista.
Qué te aportaFormalizar lo que ya haces por oficio: distinguir requisito obligatorio de buena práctica, justificar por escrito las decisiones técnicas y dejar el trabajo trazable.
Dónde vas a sudarPoco en contenido. El esfuerzo real está en el proyecto final y en su defensa.
Con qué salesCon el máster acreditado y un proyecto hecho sobre un caso de tu propio trabajo.
Qué te aportaLa base técnica de Data, IA, Simulación & Analytics y el marco normativo del ámbito desde cero, sin dar por sabido el vocabulario del sector.
Dónde vas a sudarLas primeras semanas, por terminología. A partir del segundo módulo se nivela.
Con qué salesCon un perfil de entrada acreditado en Data, IA, Simulación & Analytics y un proyecto que demuestra que sabes aplicarlo.
¿Te va a dar la vida?
Calcula tu ritmo real
Son 1900 horas. Mueve el control y mira cuánto tardarías tú de verdad.
—para terminar
¿Y esto para qué me sirve?
Marca lo que más te interesa
Elige hasta 3 módulos y te digo cuánto pesan en el programa y a qué perfiles prepara.
Perfiles a los que prepara
Ingeniero de datos en tiempo real
Arquitecto de plataformas de streaming
Ingeniero de fiabilidad de datos
En industria 4.
Con sinceridad
¿Es para ti?
Sí, si quieres…
Trabajar en Data, IA, Simulación & Analytics con criterio de norma, no solo de intuición.
Saber justificar por escrito por qué tomaste una decisión técnica.
Terminar con una memoria técnica tuya, sobre un caso real.
Avanzar a tu ritmo, compatible con una jornada completa.
No, si buscas…
Un título rápido sin entregar trabajo propio.
Clases en directo con horario fijo: el programa es asíncrono.
Empezar mañana: la fecha de inicio la fija el claustro.
Formación de taller o práctica presencial con maquinaria.
¿Te queda una duda?
Pregunta algo concreto
Escríbela aquí y la pasamos al formulario de contacto con la formación ya identificada.
¿Tienes alguna duda sobre Máster en Analytics en Tiempo Real y Stream Processing? ¡Escríbenos por WhatsApp y te ayudamos! 💬
Dra. Lucía Hernández VegaDirectora Académica del DAIS — Data, Artificial Intelligence & Simulation Institute.
Dr. Kevin O’ConnorDirector Académico del EET — Electronics & Embedded Technologies Institute.
Prof. Kenji TakahashiDirector Académico del SRA — Robotics & Autonomous Systems Institute.