Plan de estudios

Al finalizar el curso, los estudiantes sabrán manejar y diferenciar los principales conceptos vinculados a la disciplina de analítica de big data. A saber, conocimiento de las fuentes de big data, principales tecnologías, perfiles y roles, metodologías de análisis e interpretación de datos y regulación de uso y protección de datos.

Presentar los principales procedimientos estadísticos y econométricos utilizados en el análisis de temas financieros y en la toma de decisiones, como son: tablas de contingencia, análisis de varianza, regresión simple y múltiple.

Enfatiza en la presentación de los conceptos y en la aplicación práctica de los métodos y procedimientos.

Al final del curso será capaz de:

• Utilizar los aspectos fundamentales del software R, manipulando datos en el mismo.
• Comprender nociones básicas de las simulación estadística, para poder evaluar la necesidad, momento y forma de aplicar la misma.
• Utilizar métodos y técnicas que le permitan representar de manera eficiente los datos para la toma de decisiones.

Proveer fundamentos sólidos y aplicación de analítica digital, estrategias y tácticas. El estudiante aprenderá a evaluar diferentes enfoques en analítica digital y ganará experiencia en la obtención y análisis de grandes sets de datos digitales estructurados y no estructurados. Aprenderá acerca de las herramientas de analítica digital disponibles, como transformar datos en insights y como presentar y comunicar la información basada en datos para la toma de decisión.

Al finalizar este curso, los estudiantes podrán seleccionar y aplicar a problemas reales distintos modelos de regresión. Se construye a partir de cursos anteriores de programación en R y métodos cuantitativos.

El estudiante podrá ser capaz de entender el proceso completo de extracción, transformación y carga de datos a través de una de las herramientas más utilizadas para el análisis de datos. El curso incluye el empleo de herramientas de programación en R y manejo de paquetes estadísticos para acercar la teoría a la práctica y permitir la aplicación a casos empíricos concretos.

El estudiante deberá ser capaz de comprender los principios del diseño de bases de datos a nivel conceptual y lógico atravesando diversos modelos y tecnologías existentes.

Asimismo, adquirirá destrezas tanto en el uso de lenguajes de consulta como SQL.

• Analítica y métricas de marketing
• Analítica de operaciones y logística
• Simulación estratégica y analítica de marketing
• Analítica del consumidor
• Text mining y análisis de sentimientos
• Métodos cuantitativos para el riesgo financiero
• Big Data en inversiones
• Sistemas de recomendación
• Predicción de series temporales

Al finalizar el curso, el estudiante será capaz de:

• Diagnosticar el ajuste entre estrategia competitiva, entorno competitivo y diseño organizativo, en especial sus recursos y capacidades, en el marco de sectores o actividades impactadas por el potencial de la Analítica de Big Data.
• Identificar oportunidades de innovación en los modelos de negocio, a partir de comprender el panorama y las tendencias de la trasformación digital, y cómo pueden transformarse en fuentes de ventajas competitivas.

El estudiante deberá ser capaz de entender problemas de aprendizaje estadístico no supervisados, especificar su estructura, desarrollar y aplicar algoritmos para su resolución y comprender sus diagnósticos.  El curso incluye el empleo de herramientas de programación en R y manejo de paquetes estadísticos para acercar la teoría a la práctica y permitir la aplicación a casos empíricos concretos.

El curso intenta introducir al estudiante en las técnicas de Machine Learning bajo análisis supervisado tanto en problemas de regresión como de clasificación. El objetivo es que los estudiantes conozcan, comprendan y sepan aplicar los modelos más relevantes de la disciplina a la predicción de casos reales. El foco estará puesto en el estudio de modelos de predicción y su evaluación destacando el campo de aplicación en cada caso. El curso intenta optimizar el contenido teórico – práctico para el mayor entendimiento; y usa como ambiente de aplicación el programa R.

• Analítica y métricas de marketing
• Analítica de operaciones y logística
• Simulación estratégica y analítica de marketing
• Analítica del consumidor
• Text mining y análisis de sentimientos
• Métodos cuantitativos para el riesgo financiero
• Big Data en inversiones
• Sistemas de recomendación
• Predicción de series temporales

El estudiante deberá ser capaz de entender proceso para desarrollar visualizaciones efectivas para ser utilizadas en diversos medios de comunicación: reportes estáticos, presentaciones y reportes dinámicos.  El curso incluye el empleo de herramientas de programación en R y de Microsoft Excel para la entrega de las visualizaciones.

Al finalizar el curso, el estudiante será capaz de diseñar, desarrollar y ofrecer presentaciones efectivas en formato de historia narrativa como resultado del proceso de análisis; como también para ofrecer recomendaciones a nivel directivo y gerencial. Será capaz de desarrollar visualizaciones para diversos medios de comunicación, como presentaciones, reportes estáticos, y reportes dinámicos, utilizando herramientas de programación en R y MSExcel.

El curso se orienta a que el estudiante sea capaz de llevar adelante un proyecto de analítica de datos de punta a punta, volcando en el proceso todos los conocimientos teóricos y prácticos adquiridos en las diferentes materias del diploma. Al finalizar, el estudiante será capaz de diseñar y liderar un proyecto de analítica de datos, seleccionando las metodologías, técnicas y herramientas más apropiadas para el tipo de problema y organización involucradas.

• Analítica y métricas de marketing
• Analítica de operaciones y logística
• Simulación estratégica y analítica de marketing
• Analítica del consumidor
• Text mining y análisis de sentimientos
• Métodos cuantitativos para el riesgo financiero
• Big Data en inversiones
• Sistemas de recomendación
• Predicción de series temporales

• Analítica y métricas de marketing
• Analítica de operaciones y logística
• Simulación estratégica y analítica de marketing
• Analítica del consumidor
• Text mining y análisis de sentimientos
• Métodos cuantitativos para el riesgo financiero
• Big Data en inversiones
• Sistemas de recomendación
• Predicción de series temporales