Que estás buscando?
E15. Diseñar y planificar estrategias de aseguramiento de la calidad, test y análisis de datos de videojuegos y productos interactivos.
G1. Demostrar tener y comprender conocimientos avanzados de su área de estudio que abarcan los aspectos teóricos, prácticos y metodológicos, con un nivel de profundidad que llega hasta la vanguardia del conocimiento.
G2. Resolver complejos problemas de su ámbito laboral, mediante la aplicación de sus conocimientos, la elaboración de argumentos y procedimientos, y el uso de ideas creativas e innovadoras.
G3. Reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética.
G4. Comunicar información, ideas, problemas y soluciones a un público especializado como no especializado.
G5. Desarrollar las habilidades de aprendizaje necesarias para acometer estudios posteriores con un alto grado de autonomía.
T1. Comunicar en un tercer idioma, que será preferentemente el inglés, con un nivel adecuado de forma oral y por escrito y acorde con las necesidades que tendrán los graduados y graduadas.
La asignatura introduce al estudiante en el mundo de la analítica de datos, con aplicación al análisis de datos de videojuegos. El análisis de datos se convierte en un aspecto fundamental del desarrollo del juego, en múltiples aspectos:
La asignatura se contextualiza en el área de Producción y Negocio del Grado en Diseño y Producción de Videojuegos. Los contenidos se basan en una revisión de las métricas más habituales en diseño y monetización de videojuegos y realiza una introducción a la estadística inferencial y al análisis de datos con métodos de machine learning. Se usa el lenguaje R a lo largo de toda la asignatura para los ejercicios y ejemplos prácticos. La metodología combina clases magistrales con ejercicios y actividades prácticas. Las actividades de evaluación son ejercicios prácticos y un proyecto de analítica que cuentan un 60% de la nota y el 40% restante corresponde a un examen final.
Esta asignatura dispone de recursos metodológicos y digitales para hacer posible su continuidad en modalidad no presencial en caso de ser necesario por motivos relacionados con la Covid-19. De esta forma se asegurará la consecución de los mismos conocimientos y competencias que se especifican en este plan docente. El Tecnocampus pondrá al alcance del profesorado y el alumnado las herramientas digitales necesarias para poder llevar a cabo la asignatura, así como guías y recomendaciones que faciliten la adaptación a la modalidad no presencial
A nivel general, esta asignatura contribuye a siguientes resultados de aprendizaje especificados para la materia a la que pertenece (Producción y Negocio):
Más concretamente, al finalizar el curso, el estudiante será capaz de:
La asignatura se divide en sesiones teóricas y sesiones prácticas, correspondientes a 4h y 2h semanales respectivamente.
La metodología de trabajo combina:
El contenido de la asignatura está formado por los apartados que se listan a continuación:
Los contenidos se irán alternando con casos prácticos de aplicación para ver la utilidad de los contenidos que se tratan a lo largo de la asignatura.
El estudiante deberá realizar diferentes actividades a lo largo de la asignatura:
A continuación se detalla su enfoque y objetivos.
A1. Ejercicios - Casos de analítica
El objetivo de los ejercicios prácticos es que el alumno adquiera los conocimientos de los conceptos teóricos vistos en clase y que tenga agilidad en el uso de las herramientas de analítica que se van a tratar. Estos ejercicios tienen como objetivo consolidar trabajar las siguientes competencias:
Estos ejercicios son evidencias para el logro del resultado de aprendizaje E15.3 (planificar y desarrollar el proceso de análisis de datos del juego).
A2. Prácticas de laboratorio: Proyecto de análisis de datos de videojuegos
El objetivo de las prácticas de laboratorio es que el estudiante desarrolle uno o varios casos de analítica de datos, donde tendrá que aplicar de forma integral y fundamentada los conocimientos vistos en clase. El alumno deberá resolver una simulación de un caso real, limitado en su complejidad y volumen de datos, para hacer más sencilla su gestión por parte del alumno.
En estos proyectos se desarrollarán las siguientes competencias:
y los resultados de aprendizaje:
El alumno realizará este trabajo en equipo (de dos personas, idealmente) y deberá entregar un informe detallado. Este informe deberá contener un resumen ejecutivo, un informe detallado a nivel ejecutivo, un informe técnico y un anexo con los datos resultados de los procesos de analítica aplicados. El estudiante dispondrá del índice del trabajo a entregar, así como de una rúbrica con los parámetros de evaluación del trabajo.
A4. examen Final
Al final del curso, cada estudiante deberá presentarse a un examen final donde se le evaluará los contenidos vistos a lo largo de la asignatura. El examen es individual.
En este examen, se evaluarán las competencias específicas (E15), así como las competencias G5, G1, G2, G3 y parte de G4, y los resultados de aprendizaje E15.2, E15.3 y E15.4 mencionados anteriormente.
La evaluación de la asignatura es:
Las actividades de evaluación continua se deben entregar en los plazos especificados a lo largo del curso. Más allá de los plazos especificados, el alumno no podrá entregar las actividades de evaluación continua, corriendo el riesgo de suspender la asignatura por este motivo. En la convocatoria de recuperación no será posible entregar las actividades de evaluación continua.
Hay que considerar atentamente los siguientes aspectos:
Ugarte, MD, Militino, Ana F., & Arnholt, AT (2020). Probability and Statistics with R (2nd edition). CRC Press.
de Vries, A., & MEYSS, J. (2015). R for Dummies. John Wiley & Sons.
Brett Lanz (2013). Machine Learning with R. Learn how to use R to apply powerful machine learning methods and gain an insight into real-world applications. Packt Publishing.
Magyar Seif El Nasr & Anders Drachen (2013). Game Analytics: Maximizing the Value of Player Fecha. Springer.
García-Ruiz, MA (2016). Games User Research. En Case Study Approach. CRC Press.
Wallner, G. (2019). Data Analytics Applications in Gaming and Entertainment. CRC Press.
Witten, EH, Frank, E., & Hall, MA (2011). Data Mining. Practical Machine Learning Tools and Techniques. Third Edition. Morgan Kaufmann.
Bari, A., Chaouchi, M. & Jung, T. (2014). Predictive Analytics for Dummies. John Wiley and Sons.
Zumel, N. & Mount, J. (2014). Practical Data Science with R. Shelter Island: Manning.
Arun Sukumar, Lucian Tipi & Jayne Revilla (2016). Applied Business Analysis. Disponible en: bookboon.com.
Brink, David (2010). Essentials of Statistics: Exercises. Disponible en: bookboon.com.