Curso de Data Analytics y Data Science Aplicado a Negocios

Sesiones: 40

• 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.
• 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.
• Estadística descriptiva.
• Distribuciones, dispersión y percentiles.
• Lectura de variabilidad; segmentaciones básicas.
• Análisis exploratorio; interpretación de patrones sin sobre concluir.
• 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.
• 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.
• Análisis de causas, cohortes, funnels, comparaciones, segmentaciones, tableros diagnósticos, lectura de performance y priorización de oportunidades.
• Proyecto Integrador

Sesiones: 18

• 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.
• 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: 16

• 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.
• 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.
• Explicación de resultados.
• Riesgos y limitaciones.
• Uso responsable de modelos.
• Proyecto Integrador 2