Diplomado en Root Cause Analytics y Diagnóstico Basado en Datos
Diplomado online de 800 h: 8 módulos y 80 submódulos, de «Análisis de causa raíz clásico» a «Proyecto de root cause analytics», pasando por «Inferencia causal para diagnóstico».
Mapa del programa · pulsa un módulo
Módulo 1 · Análisis de causa raíz clásico
800 hDuración total
8Módulos
80Submódulos
OnlineModalidad
Competencias y resultados
6 bloques de competencia, sacados de los módulos de este programa. Pulsa cualquiera y ves qué vas a saber hacer.
Análisis de causa raíz clásico
Saldrás manejando definición de problema y síntoma, metodología 8D orientada a datos y diagramas de Ishikawa. Es lo que se trabaja en «Análisis de causa raíz clásico», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Preparación de datos para diagnóstico
Saldrás manejando unión de datos de proceso, calidad y mantenimiento, alineación temporal y retardos de proceso y genealogía de lotes. Es lo que se trabaja en «Preparación de datos para diagnóstico», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Análisis estadístico exploratorio
Saldrás manejando estratificación y comparación de grupos, pruebas t, ANOVA y no paramétricas y correlación y correlación parcial. Es lo que se trabaja en «Análisis estadístico exploratorio», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Inferencia causal para diagnóstico
Saldrás manejando correlación frente a causalidad, grafos causales del proceso y descubrimiento causal con PC y GES. Es lo que se trabaja en «Inferencia causal para diagnóstico», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Diagnóstico de series y eventos
Saldrás manejando diagnóstico de alarmas en cascada, análisis de secuencias de eventos y detección de puntos de cambio. Es lo que se trabaja en «Diagnóstico de series y eventos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Operacionalización del diagnóstico
Saldrás manejando flujo de trabajo de diagnóstico guiado, integración con sistemas de calidad y CAPA y cuadros de mando de diagnóstico. Es lo que se trabaja en «Operacionalización del diagnóstico», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Objetivos de aprendizaje
01Aplicar metodologías clásicas de análisis de causa raíz.
02Construir conjuntos de datos de diagnóstico integrando múltiples fuentes.
03Utilizar estadística multivariante para localizar fuentes de variación.
04Interpretar modelos de aprendizaje automático con SHAP y técnicas afines.
05Aplicar inferencia y descubrimiento causal a datos de proceso.
06Diagnosticar fallos en series temporales y secuencias de eventos.
07Integrar el diagnóstico basado en datos en el sistema de calidad.
Plan de estudios
8 módulos, 80 submódulos, 800 h. Elige un módulo y ves su contenido completo.
1 de 8 módulos abiertos
Módulo 1 de 8 · 10 submódulos
Análisis de causa raíz clásico
1.1Definición de problema y síntoma
1.2Metodología 8D orientada a datos
1.3Diagramas de Ishikawa
1.4Método de los 5 porqués
1.5Análisis de árbol de fallos
1.6Análisis de problemas de Kepner-Tregoe
1.7Análisis de barreras
1.8Sesgos cognitivos en el diagnóstico
1.9Límites del análisis cualitativo
1.10Taller: 8D de una reclamación de cliente
Módulo 2 de 8 · 10 submódulos
Preparación de datos para diagnóstico
2.1Unión de datos de proceso, calidad y mantenimiento
2.2Alineación temporal y retardos de proceso
2.3Genealogía de lotes
2.4Agregación por unidad de producción
2.5Tratamiento de variables censuradas
2.6Selección del periodo de análisis
2.7Normalización por producto y receta
2.8Calidad y sesgos de los datos
2.9Documentación del conjunto de análisis
2.10Práctica: dataset de diagnóstico con genealogía de lotes
Módulo 3 de 8 · 10 submódulos
Análisis estadístico exploratorio
3.1Estratificación y comparación de grupos
3.2Pruebas t, ANOVA y no paramétricas
3.3Correlación y correlación parcial
3.4Gráficos multi-vari de fuentes de variación
3.5Análisis de componentes de variación
3.6Análisis de componentes principales
3.7Regresión PLS para procesos
3.8Contribuciones al T² y SPE
3.9Interpretación con conocimiento de proceso
3.10Laboratorio: diagnóstico multivariante con PCA
Módulo 4 de 8 · 10 submódulos
Aprendizaje automático explicable
4.1Árboles de decisión interpretables
4.2Random forest e importancia por permutación
4.3Gradient boosting para diagnóstico
4.4Valores SHAP y su interpretación
4.5Dependencia parcial y curvas ICE
4.6Reglas de asociación y minería de patrones
4.7Detección de subgrupos
4.8Riesgos de correlaciones espurias
4.9Validación de hipótesis generadas
4.10Práctica: explicación SHAP de un modelo de defectos
Módulo 5 de 8 · 10 submódulos
Inferencia causal para diagnóstico
5.1Correlación frente a causalidad
5.2Grafos causales del proceso
5.3Descubrimiento causal con PC y GES
5.4Causalidad de Granger en series
5.5Transfer entropy entre variables
5.6Contrafactuales y atribución causal
5.7Integración de conocimiento experto
5.8Experimentos de confirmación
5.9Limitaciones y supuestos
5.10Caso práctico: grafo causal de un horno continuo
Módulo 6 de 8 · 10 submódulos
Diagnóstico de series y eventos
6.1Diagnóstico de alarmas en cascada
6.2Análisis de secuencias de eventos
6.3Detección de puntos de cambio
6.4Alineamiento dinámico temporal (DTW)
6.5Comparación de lotes buenos y malos
6.6Huellas de fallo en series
6.7Grafos de conocimiento de fallos
6.8Diagnóstico basado en casos
6.9Herramientas de búsqueda de patrones
6.10Laboratorio: comparación de lotes con DTW
Módulo 7 de 8 · 10 submódulos
Operacionalización del diagnóstico
7.1Flujo de trabajo de diagnóstico guiado
7.2Integración con sistemas de calidad y CAPA
7.3Cuadros de mando de diagnóstico
7.4Colaboración entre analistas e ingenieros
7.5Base de conocimiento de causas
7.6Automatización de informes
7.7Medición del tiempo de resolución
7.8Gestión del cambio en equipos de calidad
7.9Responsabilidad en las conclusiones del diagnóstico
7.10Taller: flujo de diagnóstico guiado para planta
Módulo 8 de 8 · 10 submódulos
Proyecto de root cause analytics
8.1Definición del problema
8.2Construcción del dataset
8.3Análisis exploratorio del caso de calidad
8.4Modelos explicables del caso de calidad
8.5Análisis causal del caso de calidad
8.6Hipótesis de causa raíz
8.7Verificación y acciones
8.8Lecciones aprendidas del caso de calidad
8.9Memoria y presentación
8.10Revisión final con el tutor
¿Cuánto me va a llevar?
Mueve las horas que puedes dedicar cada semana y calculamos tu ritmo sobre las 800 h del programa.
—meses a ese ritmo
—semanas por módulo
—frente a los 800 horas · 6 a 8 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.
Definición de problema y síntoma
Módulo 1 · Análisis de causa raíz clásico
Calidad y sesgos de los datos
Módulo 2 · Preparación de datos para diagnóstico
Análisis de componentes de variación
Módulo 3 · Análisis estadístico exploratorio
Random forest e importancia por permutación
Módulo 4 · Aprendizaje automático explicable
Limitaciones y supuestos
Módulo 5 · Inferencia causal para diagnóstico
Marca los cinco conceptos y te damos tu resultado.
Normas y estándares que vas a manejar
IEC 62740:2015 (Análisis de causa raíz)IEC 61025:2006 (Análisis por árbol de fallos)IATF 16949:2016 (Calidad en automoción)ISO 9001:2015 (Sistemas de gestión de la calidad)ISO 13053-1 (Seis Sigma: metodología DMAIC)ISA-18.2 (Gestión de alarmas en industrias de proceso)
Cuerpo docente y expertos
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 27-11-2026.
¿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 800 horas · 6 a 8 meses?
Responde las tres y te decimos por dónde seguir.
Requisitos de acceso
·Formación técnica previa o experiencia profesional en el sector. No se exige titulación universitaria.
·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 Python con scikit-learn y SHAP, JMP, SIMCA (Sartorius), causal-learn, Minitab, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de análisis multivariante de lotes buenos y malos, descubrimiento causal en datos de proceso, verificación experimental de hipótesis de causa raíz. La evaluación es continua por módulo más el proyecto integrador final.
Son 8 módulos con 80 submódulos y 800 h de trabajo total. Abre por «Análisis de causa raíz clásico» y cierra con «Proyecto de root cause analytics».
Se trabajan IEC 62740:2015 (Análisis de causa raíz), IEC 61025:2006 (Análisis por árbol de fallos), IATF 16949:2016 (Calidad en automoción), ISO 9001:2015 (Sistemas de gestión de la calidad), ISO 13053-1 (Seis Sigma: metodología DMAIC) y ISA-18.2 (Gestión de alarmas en industrias de proceso).
Los perfiles más directos son Ingeniero de calidad, Científico de datos industrial, Ingeniero de procesos, Analista de mejora continua y Ingeniero de fiabilidad.
En un pago son 1.432 €, sobre una tarifa de 1.790 €. A plazos, una entrada de 716 € y 6 cuotas de 179 €, 1.790 € en total, sin intereses: lo mismo que la tarifa.
Formación técnica previa o experiencia profesional en el sector. No se exige titulación universitaria, 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 800 horas totales repartidas en 6 a 8 meses. Eso son entre 10 y 15 horas semanales de media, compatibles con jornada laboral completa.
Se trabaja con Python con scikit-learn y SHAP, JMP, SIMCA (Sartorius), causal-learn, Minitab. 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 proyecto integrador. 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.
Inicio de clases: 22 de diciembre de 20261.432 €Matricularme
Antes de decidir
¿Qué sacarías tú de este diplomado?
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 diplomado 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 800 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 calidad
Científico de datos industrial
Ingeniero de procesos
En química, farmacéutico y automoción.
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: las clases empiezan justo un mes después de matricularte.
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.