Curso Introducción al análisis de datos para la toma de decisiones

Curso

Curso Introducción al análisis de datos para la toma de decisiones

Facultad de Economía
Inicio / Programas / Curso Introducción al análisis de datos para la toma de decisiones

Análisis de datos y toma de decisiónes

Durante los últimos años se ha experimentado un crecimiento exponencial en la cantidad de información disponible para las organizaciones y las personas, en forma de datos almacenados en servidores públicos o privados. Esta dinámica no sólo ha impactado las tecnologías de almacenamiento y procesamiento, sino que también ha generado una demanda, cada vez mayor, de metodologías idóneas para el procesamiento de los datos y la generación de información oportuna y útil. Por supuesto, esta demanda se extiende a profesionales de diferentes áreas del conocimiento con habilidades básicas para implementar computacionalmente métodos provenientes de la estadística, la matemática y la ingeniería, que generen conocimiento valioso y sirvan como instrumento importante en la toma de decisiones para las organizaciones a partir de sus datos.

Dirigido a

Profesionales en Ciencias Económicas y Administrativas, Ingenierías y Sector Salud, interesados en mejorar sus competencias en procesamiento y análisis estadístico de información interna y externa disponible, por medio del uso de herramientas cuantitativas, como instrumento primordial en el proceso de toma de decisiones dentro de su organización.

Objetivos

Introducir a los participantes a los métodos modernos de procesamiento de datos para la generación de información oportuna y útil que apoye los procesos de toma de decisiones en sus organizaciones. Se estudiarán métodos de la estadística, la econometría, la minería de datos, la minería de textos y el aprendizaje de máquina aplicados a situaciones reales en la economía, las finanzas y el mercadeo.

Metodología

El curso tendrá un componente teórico y uno práctico, haciendo énfasis en aplicaciones de negocio utilizando datos reales. Durante cada sesión de clase se presentarán los elementos conceptuales relevantes, los cuales irán acompañados por ejercicios aplicados utilizando el software R. De esta forma, el participante podrá enfrentarse a problemas de procesamiento y análisis de datos como instrumento para la toma de decisiones.

El software estadístico R se ha convertido en 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

Tema 

Objetivo 

Contenido 

Introducción a R 

Introducir al participante al software de análisis estadístico R. Utilizar este programa para la realización de procedimientos numéricos y para la carga y administración de diferentes tipos de datos. También presentar elementos de programación como los ciclos o bucles. 

• R y RStudio. 

• Operaciones en R. 

• Tipos de datos. 

• Carga y administración de datos: estructurados, no estructurados. 

• Elementos de programación en R. 

Análisis descriptivo y visualización de datos 

Presentar al participante las tareas más importantes de preprocesamiento y limpieza de datos. Generar conclusiones relevantes a partir del análisis descriptivo y gráfico de la información disponible. 

• Fuentes de información.

• Limpieza de datos.

• Estadística descriptiva.

• Agrupaciones y segmentos.

• Análisis gráfico.

• Análisis de caso.

Fuentes de datos no tradicionales 

Estudiar conceptos de econometría espacial, análisis de redes e interpretación de imágenes para poder aprovechar las diferentes características presentes en muchos de los conjuntos de datos a los que se tiene acceso en la actualidad.

• Mapas en R.

• Autocorrelación espacial.

• Análisis de regresión espacial.

• Análisis de redes complejas.

• Procesamiento de imágenes.

Aprendizaje no supervisado 

Estudiar algunas técnicas del aprendizaje no supervisado que permiten, entre otras, identificar agrupaciones naturales y atipicidades en los conjuntos de información.

• Modelos de clustering.

• Análisis de anomalías.

Aprendizaje supervisado

Entender el proceso de análisis que se sigue bajo el aprendizaje supervisado, estudiando algunos de los algoritmos más utilizados en problemas de clasificación y regresión. 

• Problemas de clasificación vs problemas de regresión.

• Algoritmos y modelos de aprendizaje supervisado.

Minería de texto

Introducir al participante a los elementos básicos del análisis de información no estructurada (textual).

• Procesamiento de textos.

• Estadística básica a partir de textos.

• Nubes de palabras.

• Matrices de términos y documentos.

• Análisis de sentimiento.

Modelos predictivos aplicados 

Presentar la aplicación de las herramientas presentadas a problemas reales (a partir de la información estadística disponible). 

• Aplicaciones y estudios de caso. 

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. Consultor en temas de productividad y evaluación de impacto para la Secretaría de Desarrollo Económico, y experto en la construcción de indicadores para la Agencia Nacional de Contratación Pública Colombia Compra Eficiente. Experto en modelos econométricos aplicados al mercado laboral y en el análisis de teoría de juegos aplicado a problemas empresariales.

Docente Universitario con más de 10 años de experiencia, en las Universidades Javeriana, Andes, Sabana, Santo Tomás EAN, Sergio Arboleda y Universidad Pedagógia Estatal Leon Tolstoi (Tula- Rusia). Actualmente, se desempeña como Subdirector de Análisis Fiscal de la Dirección de Estadísticas y Estudios Fiscales en la Secretaría Distrital de Hacienda, tiene bajo su cargo, entre otras cosas, el pronóstico de los ingresos corrientes para Bogotá.

Wilson Mayorga Mogollón

Economista con estudios de Especialización en Estadística, Actuaría y Mercado de Capitales y estudios de maestría en Econometría Financiera (University of York, UK) y Actuaría (University of Leicester, UK). Se ha desempeñado en diferentes posiciones en entidades financieras como Banco de la República, Banco Granahorrar, Liberty Seguros y RSA Seguros. Actualmente se desempeña como Director de Actuaría de FASECOLDA y como Secretario Ejecutivo de la Asociación Colombiana de Actuarios.

Docente en Econometría y Series de Tiempo con más de 14 años de experiencia en las Universidades de los Andes y Javeriana. Desde el año 2008 es catedrático de Econometría Financiera en la Maestría de Finanzas de la Universidad de los Andes y del curso de Series de Tiempo de la Especialización en Economía del Riesgo y la Información de la misma Universidad.

Nicolás Suárez

Economista y Especialista en Estadística de la Universidad Nacional de Colombia, y MSc en Finanzas Cuantitativas y Ciencias Actuariales de la Universidad de Tilburg (Holanda). Actualmente se desempeña como Científico de Datos trabajando en la transformación tecnológica del sector financiero. Previamente vinculado con el Banco de la República en calidad de asesor, investigando la dinámica de los mercados de pagos de bajo valor a partir de técnicas cuantitativas basadas en el análisis de datos.

Docente universitario en la Universidad Javeriana y la Escuela de Administración de Negocios (EAN) en los cursos de Medición Económica y Econometría.

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.