Analítica de datos para la toma de decisiones

Curso

Analítica de datos para la toma de decisiones

Facultad de Economía
Inicio / Programas / Analítica de datos para la toma de decisiones

Analítica de datos para la toma de decisiones

Para nadie es un secreto el crecimiento exponencial en la cantidad de información disponible; tampoco es un secreto la también creciente necesidad del sector empresarial de contar con profesionales con conocimientos en analítica, pero más que eso, con las competencias para estructurar proyectos que posiciones competitivamente al negocio, es decir, que respondan a los desafíos que tiene la empresa.  

De acuerdo con lo anterior, este curso tiene como principal objetivo, preparar a los participantes en la estructuración de proyectos de analítica a nivel avanzado (aprendizaje de máquinas), a partir del negocio, es decir, diseñando estrategias y valor agregado desde la experiencia en combinación con la analítica de datos, todo lo anterior para la toma decisiones apoyada por predicciones de la inteligencia artificial.  

Dirigido a

Profesionales interesados en ampliar sus conocimientos en analítica de datos, para adquirir competencias en la elaboración de proyectos de analítica, dando especial énfasis a las necesidades del negocio, para desarrollar proyectos de transformación de datos en información para la toma de decisiones.

Cargos ejecutivos, analistas, directores de departamentos, profesionales en empresas privadas en múltiples sectores: alimentos, tecnología, comercial, retail, seguros, bancario, etc. Profesionales en el sector público en organismos con acceso a datos: organismos de control, departamentos administrativos, ministerios, secretarias, etc.

Requisito: los participantes deberán contar con conocimientos básicos en programación y en estadística.  

Objetivos

Al finalizar el curso los estudiantes estarán en capacidad de:  

1. Elaborar proyectos de analítica orientados a contribuir a las diferentes áreas de la empresa, teniendo en cuenta que los métodos modernos de procesamiento de datos son una herramienta para la generación de aprendizajes oportunos y útiles, mediante las cuales se desarrollan estrategias a partir de la interacción entre las áreas de negocio y de analítica, generando insumos valiosos para la toma de decisiones.  

2. Aplicar a situaciones reales en la economía, las finanzas, el mercadeo, y potencialmente otras áreas en las que haya disponibilidad de datos, métodos de estadística, econometría, minería de datos, utilizando fuentes de información no tradicionales y modelos de aprendizaje de máquinas. 

Metodología

El curso sigue una metodología de aprendizaje basado en proyectos. Las personas que tomen la clase serán introducidas mediante sesiones teóricas y de laboratorio a las competencias necesarias para la formulación y aplicación de proyectos de aprendizaje de máquinas en un contexto organizacional y de mercado. Estas seleccionarán autónomamente de manera asesorada por los docentes los datos para su proyecto. Luego, se dedicarán laboratorios al desarrollo autónomo acompañado, por grupos o individualmente para el desarrollo del proyecto. En las sesiones de laboratorio se le proveerá a los estudiantes hojas de código con líneas incompletas que se correrán en clase con el acompañamiento del profesor. En las sesiones de laboratorio de proyecto los estudiantes avanzarán en la aplicación del planteamiento y el profesor estará rotando entre los grupos para facilitar y apoyar. En el proyecto se emplearán las competencias entrenadas durante las sesiones teóricas y de laboratorio.

El software estadístico R es una de las herramientas más utilizadas en el análisis de datos y en la estimación y cálculo de modelos estadísticos, de minería de datos y de aprendizaje de máquina. Su facilidad de uso y su versatilidad para generar nuevas herramientas ha permitido que innumerables colaboradores aporten, de manera periódica, nuevas formas de resolver problemas numéricos con esta herramienta.  

Contenido

Sesión 1: Manejo de diferentes clases de datos.

Competencia: 

  • Explorar fuentes de datos para problemas de aprendizaje de máquinas.
  • Explorar descriptivamente bases de datos.
  • Formular ideas para proyectos de aprendizaje de máquinas (sin conocer cómo implementarlos).

Sesión 2: Taller uso de datos.

Competencia:

  • Explorar descriptivamente base de datos.

Sesión 3: Aprendizaje supervisado.

Competencia:

  • Reconocer situaciones problema que pueden beneficiarse de técnicas de aprendizaje supervisado.
  • Identificar modelos de aprendizaje supervisado que puedan emplearse en problemas de regresión o clasificación.

Sesión 4: Lab: aprendizaje supervisado.

Competencia:

  • Correr código de principio a fin aplicando técnicas de aprendizaje supervisado.

Sesión 5: Aprendizaje no supervisado.

Competencia:

  • Reconocer situaciones problema que pueden beneficiarse de técnicas de aprendizaje no supervisado.
  • Identificar modelos de aprendizaje no supervisado que puedan emplearse en problemas de clustering, detección de anomalías y reducción de dimensionalidad.

Sesión 6: Lab proyecto: limpieza.

  • Requisito: Llegar con datos descargados.
  • Aproximarse a datos recién descargados para proyectar una base de datos limpia para entrenamiento.
  • Evaluar técnicas que se puedan emplear para trabajar con datos identificados por las personas que toman el curso.

Sesión 7: Aprendizaje no supervisado para el análisis de texto.

Competencia:

  • Identificar técnicas que pueden emplearse para aproximarse a problemas de procesamiento de texto.

Sesión 8: Lab: Aprendizaje no supervisado + limpieza proyectado.

Competencia:

  • Correr código de principio a fin aplicando técnicas de aprendizaje no supervisado.
  • Aproximarse a datos recién descargados para proyectar una base de datos limpia para entrenamiento.

Sesión 9: Evaluación de modelos predictivos.

Competencia:

  • Identificar técnicas para evaluar máquinas predictivas que permiten seleccionar con criterio entre diferentes modelos.

Sesión 10: Lab proyecto: limpieza y primeros modelos.

Competencias:

  • Cerrar un proceso de limpieza de datos para aprendizaje de máquinas.
  • Identificar modelos que se pueden aplicar a proyectos planteados por las personas que toman el curso.

Sesión 11: Analítica de mercado y ética.

Competencia:

  • Identificar la relación entre la estadística, los modelos de aprendizaje de máquinas y las estrategias de mercado.
  • Argumentar con criterio sobre los posibles riesgos éticos que presenta un proyecto de inteligencia artificial, evaluar la pertinencia ética de un proyecto ded analítica e identificar estrategias para mitigar los riesgos.

Sesión 12: Lab proyecto: primeros modelos + evaluación.

Competencia:

  • Aplicar de principio a fin técnicas de aprendizaje de máquinas sobre datos identificados por las personas que toman el curso.

Aplicar técnicas de evaluación sobre las técnicas aplicasas por las personas que toman el curso y pensar posibles acciones de mejora.

Profesores

Javier Deaza Chaves

Economista con Maestría en Economía de la Pontificia Universidad Javeriana y Especialista en Ciencia de Datos de la Universidad Johns Hopkins. Ha sido consultor en temas de productividad, tributarios como evasión de impuestos, así como en evaluación de impacto de proyectos y políticas públicas. Experto en modelos econométricos aplicados a temas tributarios, salud pública, mercado laboral, así como análisis de problemas empresariales a partir de la teoría de juegos. Docente Universitario con más de 14 años de experiencia en las Universidades Javeriana, Andes, Sabana, CESA, Santo Tomás, EAN, Sergio Arboleda y Universidad Pedagógica Estatal Leon Tolstoi (Tula- Rusia). Se desempeñó como Subdirector de Análisis Fiscal de la Dirección de Estadísticas y Estudios Fiscales en la Secretaría Distrital de Hacienda de Bogotá, donde tuvo bajo su cargo, entre otras cosas, la coordinación y elaboración del Marco Fiscal de Mediano Plazo de Bogotá y el pronóstico de los ingresos corrientes de la ciudad. Actualmente se desempeña como Subdirector de Recaudo de la Dirección de Impuestos y Aduanas Nacionales-DIAN, donde tiene a su cargo, entre otras cosas, el liderazgo de los siguientes proyectos de analítica de datos: declaraciones sugeridas para los impuestos sobre la renta para Personas Naturales, Régimen Simple de Tributación y Ventas-IVA. Así como el modelo de priorización de cartera utilizando machine learning.

Alfredo Eleazar Orozco Quesada

Economista de la Universidad de los Andes. Actualmente, desarrollador de tecnologías emergentes para la ADRES. Desarrollador y consultor con experiencia en diseño de soluciones tecnológicas, de entrenamiento corporativo y estratégicas en organizaciones privadas y no gubernamentales. Proyectos previos incluyen plataformas web (servidores y clientes) para la recolección de datos en procesos de investigación científica, diseño e implementación de espacios virtuales online, y aplicaciones Android. Experiencia docente en microeconomía, programación e inteligencia artificial. Página web: https://www.alfredo-orozco.co/

Condiciones

Eventualmente la Universidad puede verse obligada, por causas de fuerza mayor a cambiar sus profesores o cancelar el programa. En este caso el participante podrá optar por la devolución de su dinero o reinvertirlo en otro curso de Educación Continua que se ofrezca en ese momento, asumiendo la diferencia si la hubiere.

La apertura y desarrollo del programa estará sujeto al número de inscritos. El Departamento/Facultad (Unidad académica que ofrece el curso) de la Universidad de los Andes se reserva el derecho de admisión dependiendo del perfil académico de los aspirantes.

Relacionados