Curso de Data Analytics y Data Science Aplicado a Negocios

Sesiones: 6

• Pensamiento analítico y toma de decisiones con datos
  • Qué significa analizar datos en organizaciones.
  • Tipos de análisis: descriptivo, diagnóstico y predictivo.
  • Definición de problemas analíticos.
  • Formulación de preguntas de negocio.
  • KPI trees y métricas.
  • Sesgos y calidad del dato.
  • Lectura crítica de información.

Sesiones: 10

• SQL y bases de datos para análisis
  • Fundamentos de bases de datos relacionales.
  • Tablas, llaves y modelo básico.
  • Select, Where, Order by, Group by, Having, Case.
  • Joins iniciales; construcción de datasets simples para análisis.

Sesiones: 8

• Estadística aplicada y exploración inicial de datos
  • Estadística descriptiva.
  • Distribuciones, dispersión y percentiles.
  • Lectura de variabilidad; segmentaciones básicas.
  • Análisis exploratorio; interpretación de patrones sin sobre concluir.

Sesiones: 6

• Visualización y comunicación inicial con datos
  • Principios de visualización efectiva.
  • Diferencia entre análisis exploratorio y explicativo.
  • Selección correcta de gráficos.
  • Reducción de ruido visual.
  • Foco atencional.
  • Contexto y audiencia.
  • Introducción a Power BI.
  • Modelado de datos básico.

Sesiones: 4

• Dashboards ejecutivos y storytelling con datos
  • Diseño de dashboards orientados a la audiencia.
  • Jerarquía visual; navegación.
  • Títulos de acción; anotaciones.
  • Selección de visuales; buenas prácticas de layout.
  • Storytelling con datos aplicado a negocios.
  • Explicación clara de hallazgos para tomadores de decisión.
  • Uso de IA como apoyo para estructurar briefs, titulares, wireframes y narrativas ejecutivas, sin reemplazar criterio de diseño.

Sesiones: 4

• Analytics aplicado: diagnóstico, segmentación y priorización
  • Análisis de causas, cohortes, funnels, comparaciones, segmentaciones, tableros diagnósticos, lectura de performance y priorización de oportunidades.

Sesiones: 2

• Proyecto integrador 1
  • Desarrollo de un caso de data analytics para negocio con SQL + Power BI + storytelling, incorporando el uso guiado de IA para estructurar el brief analítico, acelerar iteraciones y elevar la calidad de la comunicación ejecutiva.

Sesiones: 10

• Python para análisis de datos
  • Fundamentos de Python orientados a analític.
  • Notebooks; lectura de archivos CSV, Excel y JSON; pandas para limpieza, transformación y estructuración; variables categóricas, numéricas y de texto.
  • Automatización analítica básica.
  • Uso de IA asistiva para explicación de código, debugging y documentación.

Sesiones: 8

• Análisis exploratorio avanzado
  • Análisis exploratorio avanzado; correlaciones y relaciones; tratamiento de outliers y missing values.
  • Muestreo.
  • Contrastes básicos.
  • Intervalos.
  • Nociones de experimentación y validación de hipótesis en negocio.
  • Preparación analítica para modelado y criterios iniciales para construcción de variables.

Sesiones: 10

• Machine learning supervisado
  • Regresión y clasificación desde el problema de negocio.
  • Entrenamiento, validación, métricas y lectura de desempeño.
  • Feature engineering básico.
  • Selección de variables y sobreajuste.
  • Evaluación comparativa de modelos.
  • Model evaluation en escenarios reales.
  • Interpretación de modelos.
  • Casos de churn, propensión, demanda, scoring y riesgo.
  • Limitaciones del Machine Learning en negocio.

Sesiones: 6

• Machine Learning no supervisado y segmentación
  • Clustering, segmentación de clientes, patrones de comportamiento, reducción de dimensionalidad en nivel introductorio y uso práctico para marketing, producto y operación.

Sesiones: 4

• Interpretación de modelos y toma de decisiones
  • Interpretación de modelos.
  • Explicación de resultados.
  • Riesgos y limitaciones.
  • Uso responsable de modelos.

Sesiones: 2

• Proyecto integrador 2
  • Desarrollo de un caso de data science aplicado: limpieza, EDA, construcción básica de variables, modelado, comparación de al menos dos enfoques, evaluación, interpretabilidad e interpretación ejecutiva. Puede incorporar de forma opcional el apoyo de herramientas de IA para acelerar coding, documentar hallazgos o prototipar una interfaz simple de consumo del análisis.