Ciencia de datos para analistas de negocio

Revoluciona la manera en que usas los datos y conviértete en un activo imprescindible para tu organización

Modalidad: Online

Inicio: 7 octubre (España) – 8 octubre (Latam)

}

Duración: 7 semanas

Módulos: 9 + proyecto

Lecciones: 30 horas

Idioma: Español

p
Nivel: Iniciación

Matrícula: 8/8/2022 al 4/10/2022

Precio: 420 €

Con la segunda edición de nuestro curso Ciencia de datos para analistas de negocio, analiza, interpreta y deja que los datos hablen para obtener mejores soluciones y anticiparte a los cambios del entorno digital y empresarial. Todo ello, sin necesidad de conocimientos previos en programación.

¿A QUIÉN VA DIRIGIDO?

sound icon

check circle icon Profesionales de cualquier especialidad o del sector que usen datos en su trabajo y tengan interés en mejorar sus conocimientos

check circle icon Personas que desean comenzar la transición a este campo y formarse como futuros científicos de datos

check circle icon Personas que quieran aprender nuevas herramientas y funcionalidades para emplear analítica avanzada, proponiendo soluciones a partir de los datos 

ÁMBITO DE APLICACIÓN

globe icon

check circle icon Finanzas / Contabilidad

check circle icon Gestión de ventas, compras e inventario

check circle icon Marketing offline y online

check circle icon Análisis de redes sociales

check circle icon Previsión de consumos y detección de anomalías

check circle icon Y muchos más…

 

NUESTRA METODOLOGÍA

Nuestra metodología, basada en la resolución de casos reales de negocio a medida que se enseña, te permitirá ejecutar un proyecto de ciencia de datos en sus distintas vertientes: desde analítica avanzada hasta desarrollo de modelos predictivos y de aprendizaje automático (Machine Learning). 

A medida que avances durante el curso, probarás tus conocimientos con casos prácticos reales, lo que te permitirá profundizar más en los aspectos impartidos. Programando con Python, trabajarás con tus datos y podrás desarrollar proyectos propios o de tu empresa, capitalizando así tu conocimiento. 

Esta metodología ha cosechado éxito en los resultados de nuestros alumnos. Así, más de 400 alumnos a nivel global empezaron de cero y lo han superado, donde el 93.4% de ellos son profesionales o analistas de negocio no relacionados con la informática o la ingeniería de sistemas.

Aprenderás los fundamentos de programar en Python y tendrás la oportunidad de continuar desarrollando lo aprendido.

RECOMENDACIONES

  • Moderada experiencia en análisis de datos con hojas de cálculo (Excel).
  • Algunas nociones de Power BI.
  • Ganas de aprender y mejorar el conocimiento para ejecutar proyectos en ciencia de datos.
  • Científico de datos.
  • Analista de datos.
  • Data Manager.
  • Gestor de proyectos de Business Intelligence, Big Data y Data Science.
  • Aumento de la productividad.
  • Impulso de las ventas.
  • Incremento de los beneficios.
  • Reducción del riesgo e incertidumbre.
  • Mejor aprovechamiento de oportunidades.
  • Aumento de la satisfacción del cliente.

TEMARIO

Introducción y conceptos fundamentales

En este bloque se engloban todos los conceptos fundamentales que se usarán durante el curso. Terminología, procesos y ciclo de vida de un proyecto de datos, según la metodología CRISP-DM.
Entre otros aspectos, conceptos fundamentales de estadística aplicada, teoría de la probabilidad, interpretación de resultados y conceptos similares serán estudiados.​

Estructura de datos para el análisis

Con anterioridad al análisis avanzado de datos, se entenderá y comprenderá la forma en que los datos se estructuran. Solo bien conocida su estructura podrá garantizarse un correcto análisis de datos.

En primer lugar, se introduce el concepto de ‘data frame’ (marco de datos), así como la diferencia con un ‘modelo de datos’. Para continuar, se identificarán los problemas y errores más habituales en estructuras de datos, sin olvidar las buenas prácticas en este tipo de proyecto.

En resumen, este módulo tendrá una parte muy importante dedicada a la práctica para la preparación de las estructuras de datos que son necesarias para la analítica avanzada.

Análisis avanzados de datos

Definidos los conceptos fundamentales y habiendo identificado la estructura adecuada de datos para ejecutar un análisis avanzado, en esta sesión se llevará a cabo el ejercicio de análisis como tal.

Para introducir esta parte, se analizarán múltiples variables y sus relaciones, así como la correlación y asociación entre variables. Seguidamente, se procederá al estudio de análisis de densidad y de frecuencia.

Por último, en este bloque haremos uso de herramientas avanzadas de gráficas y análisis estadístico de datos.​

Algoritmos no supervisados

Conocidos los fundamentos y análisis aplicado, se cubrirán los múltiples modelos dentro de algoritmos no supervisados desde un punto de vista altamente práctico.

Principalmente, se desarrollarán múltiples casos de clustering, detección de anomalías y asociación de variables. Entre ellos, encontramos:

  • Segmentación de clientes​.
  • Clustering geo-especial​.
  • Control de calidad en producción industrial​.
  • Auditoría interna de compras​.
  • Análisis de cesta de la compra​.
  • Recomendación de productos y servicios​.
Series temporales y forecasting

Una vez exploradas las aplicaciones y casos de negocio con algoritmos no supervisados, se inicia este módulo con análisis de series temporales de variables y estimación de valores futuros (forecasting).

Se pondrá en marcha la evaluación de más de 25 modelos de series temporales (ARIMA, TBATS, Exponential Smooth, Prophet, entre otros) para la generación de forecasting. Todo esto prestando especial atención en la interpretación de resultados y el uso de intervalos de confianza.​

Casos de negocio:​

  • Forecasting de ventas y previsión de demanda​.
  • Análisis de variables​.
  • Forecasting de inventario, precios y materias primas.
  • Forecasting univariable.​
Algoritmo supervisado - Regresión

En este punto, dará comienzo el estudio de algoritmos supervisados de regresión para hacer análisis predictivo sobre variables continuas (numéricas).​​

Al principio, analizaremos múltiples casos de negocio donde se aplicarán diferentes modelos como regresión lineal, CART, random forest, extreme gradient boost, entre otros. Adicionalmente, explicaremos alternativas para poner en producción dichas aplicaciones. ​

Casos de negocio:​

  • Predicción de ingresos​.
  • Análisis de campañas comerciales y marketing​.
  • Predicción de gastos​.
  • Estimación de demanda, inventarios y tiempos de envío​.
  • Series temporales multivariable​.
  • Otros​
Algoritmo supervisado - Clasificación

Para continuar con los algoritmos supervisados, profundizaremos en la aplicación de estos sobre variables categóricas.​

En segundo lugar, analizaremos multiples casos de negocio donde se aplicarán diferentes modelos como regresión logística , CART, random forest, extreme gradient boost, entre otros. Para finalizar esta parte, explicaremos alternativas para poner en producción dichas aplicaciones. ​

Casos de negocio:​

  • Predicción de compras por clientes​.
  • Análisis de campañas comerciales y marketing​.
  • Predicción de riesgos​.
  • Análisis de recursos humanos​.
  • Otros​
Análisis de texto - NLP

Tras haber adquirido experiencia en algoritmos de regresión y clasificación, nos iniciaremos en los fundamentos de análisis de texto y sus diferentes vertientes.​

Al principio, analizaremos múltiples casos de negocio donde encontraremos datos de texto y datos semi-estrucuturados. Seguidamente, Se mostrarán técnicas de conteo de palabras, limpieza de texto, identificación de entidades relevantes, aislamiento de palabras raras y análisis de sentimiento. ​

Casos de negocio:​​

  • Análisis de opiniones de clientes​.
  • Análisis de campañas de marketing y redes sociales​.
  • Otros​
Data Storytelling

Quizá la parte más importante de todo el contenido es aprender a transmitir conclusiones e ideas fundamentadas en datos a cualquier tipo de audiencia.

En este módulo se aprenderá a estructurar un proyecto de tal forma que se pueda añadir valor a cualquier departamento de la empresa. Aprenderás a ordenar y organizar la información de tal forma que sea comprensible por cualquier usuario.

Ciencia de datos en cifras

Las empresas que incorporan la ciencia y análisis de datos reducen sus costes anuales hasta un 11%. Podrías reducir tus costes a la mitad en 5 años.

%

Fuente: Capgemini Research Institute

El 84% de las empresas implementarán la ciencia de datos en su actividad en menos de tres años.

%

Fuente: Capgemini Research Institute

Docentes

Pablo Moreno

Pablo Moreno

Microsoft MVP

Diplomado en Ciencias Empresariales, Universidad de Málaga.
Postgrado en Inteligencia Artificial por la Universidad de Texas – McCombs School of Business.
Profesor posgrado Inteligencia Artificial Universidad Nacional de Ingeniería de Nicaragua.
Autor del libro ‘Machine Learning en Power BI con R y Python’.
Miembro del equipo de desarrollo de PyCaret.
Analista y autor en Acceleration Economy.
Head of AI en sumamoOs.
Experiencia de +5 años como Científico de datos.

Luca Ariel Piattelli

Luca Ariel Piattelli

Microsoft Certified Trainer

Licenciado en Administración de Empresas, Universidad del Aconcagua.
Especialización Business Analytics.
Master Business Intelligence.
Certificación en Power BI DP-300.
Microsoft Certified Trainer.
Director de Diplomatura Business Analytics, Universidad del Aconcagua.
Profesor posgrado Inteligencia Artificial Universidad Nacional de Ingeniería de Nicaragua, módulo: Machine Learning aplicado en Power BI con Python y R.
Business Intelligence Team leader en sumamoOs.
Experiencia de +5 años en consultoría e implantación de proyectos.

Formación In Company

Si te interesa implantar estos conocimientos en tu organización, contamos con un programa de Formación In Company con contenidos adaptados y utilizando los datos de tu organización