Diplomado en Modelos analíticos para la toma de decisiones de negocio (online - MANE)

El Diplomado en Modelos analíticos para la toma de decisiones desarrolla en los egresados la capacidad para abordar, estructurar y analizar problemas de decisiones propios de la gestión de organizaciones, y en el uso de datos e información para orientar y mejorar los procesos de toma de decisiones. Para lograr estos objetivos, se contempla entregar a los estudiantes herramientas de análisis de datos, herramientas de visualización de datos, aplicación de software estadísticos, y desarrollo de modelos descriptivos, predictivos y prescriptivos.

Se entrega una formación interdisciplinaria en los ámbitos de la toma de decisiones en organizaciones y el análisis de bases de datos. Estas capacidades son muy relevantes en los ámbitos de instituciones que han desarrollado procesos de digitalización en su gestión, para lo cual se requiere analizar datos y tomar decisiones en base a información.

El diplomado desarrolla sus contenidos y actividades a través de una metodología de enseñanza online, que combina diferentes recursos de aprendizaje. Entre estos recursos pedagógicos se incluyen clases sincrónicas, videos, textos, audios, foros y otros. Todos estos recursos se encuentran integrados y serán impartidos desde la plataforma virtual Coursera.

Profesionales de las áreas de la ingeniería, matemáticas, administración, estadística o disciplinas afines interesados en potenciar las técnicas de analítica de datos para los negocios.

Aplicar metodologías analíticas, utilizando librerías de Python y R, para la resolución de problemas de gestión y apoyo a la toma de decisiones en organizaciones.

Acreditar estar en posesión del Grado Académico de Licenciado o título profesional universitario en ingeniería, administración, matemáticas estadísticas o disciplinas afines, otorgado por una Universidad reconocida por el Estado de Chile, o en el caso de instituciones extranjeras, por el Estado del país correspondiente.

2 años de experiencia laboral.

Acreditación de conocimientos relevantes en programación y estadística. Para acreditarlo, se pueden elegir las siguientes alternativas:
• Rendir evaluaciones de admisión de estadísticas y programación
• Realizar un MOOC en estos temas y enviar los certificados de aprobación: Aprendiendo a programar con Python, Estadística aplicada a los negocios u otros equivalentes.
• Conocimientos relevantes basados en cursos previos.
– Se recomienda contar con un nivel intermedio en inglés (B1 o superior), que le permita leer artículos académicos, documentación y libros en inglés.

* Los cursos de este Diplomado forman parte de la malla del Magíster en Analítica para los Negocios, de las Escuelas de Ingeniería y Administración UC. Una vez aprobado el diplomado, el alumno podrá postular al Magíster mencionado y, de ser aceptado, convalidar estos cursos. La aprobación del diplomado no asegura la admisión al Magíster.

Al final del curso podrás:
– Identificar la importancia, tipos y aplicaciones de Business Analytics en el desarrollo actual de los negocios.
– Aplicar modelos analíticos de toma de decisiones para resolver problemas de negocio.
– Aplicar metodologías de la analítica descriptiva para pronosticar escenarios futuros inciertos.
– Aplicar modelos de la analítica predictiva para pronosticar escenarios futuros inciertos.
– Aplicar modelos de la analítica prescriptiva para recomendar acciones ante posibles situaciones futuras complejas e inciertas.

Contenidos:
Módulo 1: Mejores decisiones con Business Analytics
• Business Analytics y aplicaciones.
• Analítica descriptiva, predictiva y prescriptiva.

Módulo 2: Modelos de toma de decisiones
• Análisis de decisiones y decisiones con información.
• Modelos de probabilidad. Simulación y ejemplos aplicados.

Módulo 3: Modelos de predicción y optimización
• Modelos de regresión y optimización lineal.
• Ejemplos aplicados.

Módulo 4: Aplicaciones reales y el futuro de la toma de decisiones basada en datos
• Caso General Electric. Caso Starbucks.
• Consideraciones éticas y regulatorias.
• Futuro de la toma de decisiones basada en datos.

Al final del curso podrás:
– Comprender los fundamentos del proceso de minería de datos y las etapas que conlleva un proyecto analítico en un contexto empresarial.
– Distinguir conceptos de programación subyacentes al lenguaje R. Aplicar técnicas de gestión de datos para preparar, analizar, gestionar y almacenar información digital en su organización.
– Aplicar métodos del aprendizaje estadístico para resumir información, identificar asociaciones y reducir la dimensionalidad de los datos. Desarrollar un proyecto analítico y todas las etapas que conlleva utilizando los datos públicos.
– Crear informes de reporterías de análisis de datos para comunicar resultados estadísticos de manera correcta y efectiva. Integrar técnicas de gestión de datos en plataformas de Big Data.

Contenidos:
Módulo 1: Introducción y conceptos básicos del lenguaje R
– ¿Qué es el Data Mining?. Etapas del proceso. Principales plataformas analíticas para hacerlo.
– ¿Cuál es el rol del Big Data?. Principales librerías, lenguaje de programación, funciones, gráficos y principales objetos de R.

Módulo 2: Gestión y visualización de datos
– ¿Cómo adquirir la data?. Tipos de datos y representación. Transformación, depuración y limpieza de la información.
– Terminología de procesamiento de datos: Tabla, Fila y Columna.
– Consultas básicas de manipulación de datos con la librería dplyr en R.
– Estadísticas descriptivas de los datos. Resumen para datos categóricos. Medidas de similitud y asociación.
– Visualización de los datos con ggplot2 y plotly.

Módulo 3: Reducción de la información y comunicación de los resultados
– La maldición de la dimensionalidad.
– Análisis de correlación de variables. Componentes principales. Aplicación a caso de negocio.
– Gráficos interactivos.
– Reportes R Markdown.
– Introducción a flexdashboards y Shiny.

Módulo 4: Integración con Big Data
– Plataformas de Big Data.
– Introducción Apache Spark para el análisis de grandes volúmenes de datos.
– Conexión de R con Apache Spark para tareas distribuidas.
– Ilustraciones.

Al final del curso podrás:
– Evaluar visualizaciones de información existentes proponiendo mejoras.
– Identificar relaciones entre tipos de datos, tareas de visualización y tipos de gráfico.
– Diseñar visualizaciones de información a partir de datos.
– Implementar en lenguaje Python gráficos: simples y avanzados usando datasets tabulares, usando datasets de red, y para visualizar datos de texto y espaciales.

Contenidos:
Módulo 1: Fundamentos
– Abstracción de datos.
– Marcas y canales.
– Percepción y procesamiento humano de la información.
– Reglas y recomendaciones generales para visualizaciones efectivas.

Módulo 2: Representaciones estáticas y sus algoritmos
– Modelo anidado de Munzner para diseño y validación de visualización.
– Datos tabulares.
– Árboles, Grafos y Redes.
– Funciones básicas de librerías de visualización en Python.

Módulo 3: Implementación de gráficos en Python con datos tabulares
– Diseño e implementación de gráficos simples para datos tabulares usando modelo anidado.
– Diseño e implementación de gráficos avanzados para datos tabulares usando modelo anidado.
– Reducción de dimensionalidad.

Módulo 4: Implementación de gráficos en Python con datos de red, texto y espaciales
– Diseño e implementación de gráficos avanzados para datos de red usando modelo anidado.
– Visualización básica de datos de texto y datos espaciales.

Al final del curso podrás:
– Comprender la utilidad de los modelos de aprendizaje estadístico para apoyar la toma de decisiones en un contexto empresarial.
– Identificar las etapas que contempla un proyecto analítico.
– Distinguir los principales métodos de modelamiento predictivo y de segmentación de un conjunto de datos.
– Seleccionar un determinado modelo analítico sobre un conjunto de datos reales.
– Aplicar el modelamiento analítico sobre un conjunto de datos reales para resolver problemas de negocios utilizando las principales librerías de R y sobre grandes volúmenes de información con plataformas de Big Data.

Contenidos:
Módulo 1: Introducción
– Predicción v/s interpretación. Inputs y terminologías.
– Etapas para construir un modelo predictivo. Tipos de modelos: supervisado v/s no supervisado. Estrategias generales: missing values, crear variables dummies.

Módulo 2: Modelos de regresión y clasificación
– Medidas de Performance en los modelos de regresión. The Variance-Bias Trade-off.
– Modelos de regresión lineal con regularización LASSO, RIDGE. Modelos de árboles de regresión y clasificación.
– Bagging y Random Forest. Boosting. Regresión logística. Support Vector Machines.

Módulo 3: Modelos de segmentación de Perfiles
– Medidas de similaridad. Reglas de asociación.
– Heatmaps. K-medias y Fuzzy. Casos estudios.

Módulo 4: Evaluación de modelos, sobreajuste y tunning
– Evaluación modelos predictivos de clasificación: matriz de confusión, medidas de precisión: tasa de error de clasificación, tasa de precisión, sensitividad y especificidad. Curva de ROC.
– Evaluación modelos predictivos de regresión: medidas de precisión: MAE, MAPE, RMSE.
– Validación cruzada y Bootstrap. Problemas de sobreajustar el modelo. Tunning del modelo. Técnicas de remuestreo