Diplomado en Modelos Analíticos para la Toma de Decisiones de Negocio

En este curso se pretende desarrollar en los y las estudiantes la capacidad para abordar y estructurar problemas de decisiones propios de la gestión de manera de orientar la toma de decisiones. El curso considera estructurar problemas de decisiones, el análisis de problemas de decisión caracterizados por la disponibilidad de una gran cantidad de información, las distintas formas de cuantificar y analizar la incertidumbre propia de los problemas de decisiones y el análisis de relaciones entre variables.

• ¿Qué es business analytics (BA) y su evolución? Introducción al análisis descriptivo, predictivo y prescriptivo y la importancia de BA y aplicaciones
• ¿Qué es la analítica descriptiva? Data aggregation (recolección y organización de datos), data mining (minería de datos) y visualización de datos
• Modelando la incertidumbre
• ¿Qué es la analítica predictiva? Tipos de modelos predictivos, evaluando modelos predictivos y decisiones bajo certidumbre, riesgo e incertidumbre
• ¿Qué es la analítica prescriptiva? Tipos de modelos prescriptivos y relevancia de los modelos prescriptivos

• Árboles de decisión
• Decisiones óptimas con árboles de decisión
• Árboles de decisión con información
• El valor de la información
• Ejemplos aplicados

• Optimización lineal: formulación matemática
• Optimización lineal: formulación gráfica
• Solución problema de optimización lineal
• Análisis de sensibilidad: precios sombra
• Ejemplos aplicados

• Caso General Electric
• Caso Starbucks
• Consideraciones éticas y regulatorias
• Futuro de la toma de decisiones basada en datos

El curso está dirigido a profesionales que ejercen tareas relacionadas a gestión y análisis de datos con énfasis en la programación. Se entregan las principales competencias para que sus egresados puedan desarrollar todas las etapas que requiere un proyecto analítico, tales como: identificar la necesidad del negocio y proponer una efectiva solución estratégica con la información disponible; recolectar, limpiar y gestionar la información proveniente de distintas fuentes de datos; extraer conocimiento a través de métodos del aprendizaje estadístico y, finalmente visualizar y comunicar los resultados utilizando las principales plataformas computacionales del mercado. Además, el curso brinda conocimiento para integrar todas etapas del desarrollo de un proyecto analítico con plataformas de Big Data.

• ¿Qué es el Data Mining?
• Introducción al Data Mining y proceso KDD
• Data Mining aplicado a la industria financiera
• Plataformas analíticas para desarrollar un proyecto de Data Mining
• Introducción a R
• Conceptos básicos del Lenguaje R
• Principales objetos y funciones de R
• Librerías y tipos de datos en R

• ¿Cómo adquirir la data? 
• Extracción de información de diferentes fuentes de abastecimiento
• Gestión de datos utilizando la librería dplyr
• Limpieza y Transformación de datos
• Resumen de información en R
• Estadísticas descriptivas para resumir datos
• Visualización de los datos con ggplot2 y plotly.
• Medidas de similitud y asociación.

• Análisis de correlación de variables
• Problemas con la dimensión de la información
• Introducción a Componentes Principales
• Aplicación de PCA al valor del cliente en el Retail
• Introducción a los métodos de Clasificación No Supervisados
• Medidas de similaridad: Distancias
• Método jerárquico Kmedias para clasificación
• Clasificación de los clientes en el retail utilizando Kmedias

• Ejemplo aplicado
• Modelos de Regresión Lineal para estimación de los gastos por hogar utilizando la EPF
• Introducción a Flexdashboard 
• Uso de la librería Flexdashboard en ejemplo aplicados

En este curso los estudiantes obtendrán conocimientos y habilidades para resumir y comunicar resultados de métodos de computación, estadística, minería y análisis de datos. Dentro de las actividades prácticas del curso, los estudiantes estudiarán técnicas y algoritmos para analizar, diseñar y crear visualizaciones efectivas, basadas en principios de diseño gráfico, artes visuales y psicología cognitiva. El curso está orientado a estudiantes con experiencia previa en programación.

• Definiciones y ejemplos históricos
• Marcas, canales, y procesamiento humano de la información
• Modelo anidado de Munzner para diseño y validación de visualización
• Reglas y recomendaciones generales para visualizaciones efectivas

• Gráficos de barras, barras apiladas, puntos y líneas
• Gráficos de dispersión, de burbujas y de flujos
• Gráficos para distribuciones: histograma, densidad, caja y violín
• Múltiples ejes, radial y torta

• Mapa de calor, densidad 2D, treemap
• Matriz de gráficos y pequeños múltiples
• Reducción de dimensionalidad lineal
• Reducción de dimensionalidad no lineal

• Grafos y árboles: diagramas nodo-enlace y de adyacencia
• Grafos y árboles II: gráficos tipo encierro, clustermap y dendograma
• Visualización de texto
• Visualización espaciotemporal

Es un curso que entrega en sus egresados un conocimiento vanguardista de las principales herramientas para el modelamiento analítico de datos. Con los métodos presentados en el curso, los alumnos podrán enfrentar los nuevos desafíos de la era digital en sus organizaciones, resolver problemas de negocios haciendo un uso efectivo de la información y generando valor agregado en los procesos críticos de sus organizaciones. Además, el alumno egresado podrá integrar los métodos expuestos en el curso con plataformas de Big Data para aplicar modelos analíticos sobre grandes volúmenes de información.

• Modelo de regresión clásica
• Análisis del modelo: Interpretación coeficientes, inferencia estadística, predicción y bondad de ajuste
• Aplicaciones en R a marketing, finanzas y personas

• Variables independientes categóricas
• Selección de variables
• Inferencia causal
• Aplicaciones en R a marketing, finanzas y personas

• Modelo de Regresión Logística
• Análisis del modelo: Interpretación coeficientes, inferencia estadística
• Análisis de chances (odds)
• Predicción y matrices de confusión
• Aplicaciones en R a marketing, finanzas y personas

• Modelos para variables categóricas
• Análisis del modelo: Interpretación coeficientes, inferencia estadística
• Aplicaciones en R a marketing, finanzas y personas

• Árboles para variables cuantitativas
• Árboles para variables cualitativas
• Pruning