Diplomado en Management analytics - Online*

Este programa busca que los participantes apliquen la analítica de datos en la toma de decisiones en los negocios.


Descripción

En la actualidad, las técnicas de análisis de datos están siendo muy demandadas, debido a su utilización en las organizaciones y a la tendencia mundial de querer utilizar toda la información disponible para una mejor toma de decisiones. Para esto se debe combinar estadística, manejo de bases de datos y optimización para encontrar patrones en grandes volúmenes de datos y así optimizar procesos y decisiones en los negocios u otras aplicaciones.

El diplomado en Management Analytics busca introducir los conceptos generales de la analítica de negocios acompañado de visualizar el valor en los datos y cómo los modelos predictivos, incluyendo la Inteligencia Artificial, permiten recomendar acciones futuras y a seguir mediante el estudio de casos prácticos de la aplicación de distintas metodologías y herramientas en distintas industrias: retail, e-commerce, finanzas, logística, entre otras.  

La pertinencia de este diplomado está relacionada con la necesaria aplicación de métodos para el modelamiento de datos y la construcción de modelos de optimización para mejorar la planificación de corto, mediano y largo plazo de las operaciones de los distintos sistemas dentro de una organización a través del uso de métodos cuantitativos que permitan obtener información relevante para apoyar la toma de decisiones, todo inserto en un mundo que está girando totalmente hacia lo digital.

Este programa forma parte de la Clase Ejecutiva y está compuesto por una parrilla de cursos que abarcan distintas áreas de la gestión: economía, finanzas, estrategia, operaciones, innovación, marketing, comunicaciones, personas, etc. A partir de combinaciones de estos cursos se forman distintos diplomados.

Los contenidos del diplomado están agrupados en cursos de dos meses de duración cada uno. El año se divide en 5 bimestres programados desde marzo a diciembre. Los alumnos tienen la opción de ingresar a los diplomados en cualquiera de los bimestres dado que los cursos que no haya alcanzado a realizar lo podrán tomar al año siguiente. Esto le da el carácter rotativo al diplomado, lo que permite no obligar a los alumnos a iniciar su diplomado en marzo o abril donde la carga laboral y económica podría ser mayor.

Dirigido a

Jefes de áreas de negocios u operaciones y analistas de datos.

Prerrequisitos
  • Conocimientos básicos de gestión.
  • Realizar evaluación diagnóstica e inducción tecnológica a la plataforma
  • Manejo básico de office e internet.
  • PC con 2GB RAM
  • Acrobat Reader y Flash Player
  • Internet con 5Mbps o más
  • Grado Académico o Título Profesional Universitario o al menos dos años de experiencia profesional en un área afín.
Objetivo de aprendizaje

Aplicar técnicas de analítica de negocios para desarrollar habilidades que permitan extraer, visualizar y analizar la información de grandes volúmenes de datos con el objeto de tomar mejores decisiones.

Desglose de cursos

Nombre del curso: Manejo de Grandes Volúmenes de Datos (Big Data)
Nombre en inglés: Managing Big Data
Horas cronológicas: 75 hrs.; Créditos: 5 créditos

Resultados de Aprendizaje
Al finalizar este curso los/las estudiantes debieran ser capaces de:
1.    Modelar datos usando herramientas de bases de datos relacionales (SQL), bases de datos NoSQL y bases de datos distribuidas.
2.    Estimar la necesidad de cambiar la infraestructura de los datos desde un modelo clásico centralizado (tipo SQL) a un modelo de Big Data distribuido.
3.    Identificar las herramientas de manejo de datos adecuadas para el contexto de su empresa.

Contenidos:
-    Bases de datos relacionales
    Diversos fuentes de datos (Excel, CSV, texto plano, páginas web,…)
    Organización clásica de los datos: Bases de datos relacionales
    Lenguaje SQL
    Propiedades de una base de datos relacional: ACID
    Integración de los datos
-    Bases de datos distribuidas
    Paso al mundo de Big Data (limitaciones de una base de datos relacional)
    Un sistema distribuido
    Propiedades de sistemas distribuidos: CAP y BASE
    Limitaciones de sistemas distribuidos: ACID vs CAP
    Resolución de fallas en un sistema distribuido usando el consenso distribuido
-    Bases de datos NoSQL
    Características de sistemas NoSQL
    Bases de datos de búsqueda: Amazon Dynamo
    Bases de datos de documentos: MongoDB
    Bases de datos de grafos: Neo4J
-    Procesamiento masivo de datos
    Distribución de los datos (Google distributed File System)
    Map-reduce
    Infraestructura de Apache Hadoop
    Apache Pig: lenguaje de scripting para Hadoop

Metodología de enseñanza y aprendizaje:
La metodología se presenta más adelante ya que para todos los cursos es la misma.

Evaluación de los Aprendizajes:
-    Controles     (15%).
-    Foros de discusión     (20%).
-    Trabajo grupal     (25%).
-    Test on-line o presencial     (40%).

Nombre del curso: Toma de decisiones de Negocio basada en análisis de datos (Business Analytics)
Nombre en inglés: Making decisions based on business analytics
Horas cronológicas: 75 hrs.; Créditos: 5 créditos

Resultados de Aprendizaje
Al finalizar este curso los/las estudiantes debieran ser capaces de:
1.    Analizar la importancia de la analítica de datos en la toma de decisiones en los negocios
2.    Utilizar distintos métodos predictivos permiten recomendar acciones futuras
3.    Aplicar distintas metodologías y herramientas es diferentes industrias

Contenidos:
Clase 1: Introducción a Business Analytics (BA)
-    Qué es BA y sus orígenes
-    Introducción al análisis descriptivo, predictivo, prescriptivo, y conductual
-    Por qué es importante el BA para tu empresa u organización
-    Aplicaciones actuales y futuras
Clase 2: Análisis Descriptivo y el Valor de los Datos
-    El valor de los datos y relevancia del Big Data
-    El rol de los datos en el análisis descriptivo de BA
-    Visualización y exploración de datos (e.j., análisis de clusters)
-    Describiendo y pronosticando eventos futuros
Clase 3: Análisis Predictivo y Manejo de Incertidumbre
-    Análisis de riesgo
-    Modelando la incertidumbre con datos históricos
-    Modelos probabilísticos y técnicas estadísticas
-    Modelos predictivos con Inteligencia Artificial
-    Evaluación de modelos predictivos
Clase 4: Análisis Prescriptivo y Recomendación de Decisiones
-    Métodos de optimización
-    Valor de la simulación
-    Análisis de sensibilidad
-    Recomendaciones para la toma de decisiones (e.j., pricing)
Clase 5: Herramientas y Aplicaciones Prácticas de BA
-    Métodos de recolección de datos (e.j., encuestas, redes sociales)
-    A/B Testing
-    Métodos de pronósticos
-    Análisis de regresiones
-    Modelos de optimización
-    Modelos de simulación
Clase 6: Analítica Conductual y el Futuro de BA
-    Modelando el comportamiento de las personas
-    Determinando tendencias futuras de consumo y actuando sobre ellas
-    Aplicaciones actuales de BA (e.j., retail, e-commerce, finanzas, medicina y logística, entre otras)
-    Consideraciones éticas y regulatorias
-    El futuro de BA

Metodología de enseñanza y aprendizaje:
La metodología se presenta más adelante ya que para todos los cursos es la misma.

Evaluación de los Aprendizajes:
-    Controles de lectura que permiten asegurar la comprensión de los contenidos desplegados en la plataforma         15%
-    Foros de participación que permiten evaluar el análisis y capacidad de reflexión de los alumnos en torno a problemáticas aplicadas         20%
-    Trabajo final grupal que evalúa la aplicación de los contenidos a contextos profesionales         25%
-    Examen final que permite evaluar de manera global la adquisición de los contenidos del curso        40%

Nombre del curso: Habilidades Analíticas para una Gestión Moderna
Nombre en inglés: Analytical Skills for Modern Management
Horas cronológicas: 75; Créditos: 5

Resultados de Aprendizaje
Al finalizar este curso los/las estudiantes debieran ser capaces de:
1.    Analizar el marco de análisis para la toma de decisión y las implicancias en los cambios de escenarios
2.    Analizar la incertidumbre en escenarios continuos
3.    Aplicar conceptos de Simulación Computacional
4.    Aplicar modelos de regresión, métodos de aprendizaje de máquina y de sistemas de espera
5.    Formular Modelos de Optimización

Contenidos:
●    Análisis de Decisión
o    Introducción a la metodología Análisis de Decisión
o    Modelo analítico Árbol de Decisión
o    Valorización de decisiones bajo incertidumbre
o    Aplicaciones
●    Análisis de Incertidumbre en Escenarios Discretos
o    Tabla de probabilidades y probabilidad condicional
o    Variable aleatorias discretas y continuas
o    Distribuciones de probabilidad discretas
o    Estadísticos (media, desviación estándar, coeficiente de variación)
o    Distribución Binomial
o    Aplicaciones
●    Análisis de Incertidumbre en Escenarios Continuos
o    Correlación y covarianza
o    Suma de variables aleatorias.
o    Distribución de probabilidades continua
o    Distribución normal
o    Aplicaciones
●    Simulación
o    ¿Qué es un modelo de simulación?
o    Beneficios de simulación computacional
o    Conceptos básicos de simulación
o    Metodología
o    Análisis de resultados y comparación de escenarios simulados
o    Aplicaciones
●    Modelos de Regresión
o    Regresión lineal simple y múltiple
o    Interpretación de resultados
o    Validación del modelo
o    Predicción
●    Aprendizaje de Máquina
o    Aplicaciones
o    Clasificación binaria
o    Clasificación multiclase
●    Optimización
o    Concepto de modelo
o    Formulación de problemas prácticos
o    Geometría de la solución
o    Conceptos económicos asociados a la solución óptima
●    Sistemas de Espera
o    Introducción a sistemas de espera
o    Conceptos de throughput
o    Estado estacionario y ecuación de Little
o    Aplicaciones

Metodología de enseñanza y aprendizaje:
La metodología se presenta más adelante ya que para todos los cursos es la misma.

Evaluación de los aprendizajes:
-    Controles de lectura que permiten asegurar la comprensión de los contenidos desplegados en la plataforma     15%
-    Foros de participación que permiten evaluar el análisis y capacidad de reflexión de los alumnos en torno a problemáticas aplicadas     20%
-    Trabajo final grupal que evalúa la aplicación de los contenidos a contextos profesionales     25%
-    Examen final que permite evaluar de manera global la adquisición de los contenidos del curso    40%

Nombre del curso: Inteligencia Artificial en los Negocios.
Nombre en inglés: Artificial Intelligence in Business.
Horas cronológicas: 75 hrs.; Créditos: 5 créditos

Resultados de Aprendizaje
Al finalizar este curso los/las estudiantes debieran ser capaces de:
1.    Interpretar cómo la capacidad de predicción puede transformar las organizaciones.
2.    Comprender los riesgos provenientes de la inteligencia artificial.
3.    Analizar cuál será el futuro de la transformación digital.
4.    Distinguir fortalezas y debilidades de una organización para la implementación de la IA


Contenidos:
•    Introducción a la Inteligencia Artificial (IA)
o    ¿Qué es IA? Definiciones: IA, ML, DL, etc.
o    Orígenes de la IA
o    IA en tu empresa u organización
o    IA en la sociedad
o    Aplicaciones actuales y futuras
•    ¿Cómo la mejora en la capacidad de predicción está transformando a las organizaciones hoy?
o    Beneficios y costos de la capacidad predictiva
o    Efecto de la baja en costos
o    Nuevas aplicaciones de IA en los negocios
•    El rol de las personas y la toma de decisiones en la economía digital. ¿Aversión o apreciación de las predicciones algorítmicas?
o    Racionalidad en toma de decisiones
o    Qué nos aporta la IA o algoritmos en la toma de decisiones
o    Estamos dispuestos a utilizar recomendaciones algorítmicas
o    Seremos reemplazados como trabajadores por máquinas
•    El valor de los grandes volúmenes de datos (big data) como activo estratégico
o    Por qué los datos son el nuevo petróleo
o    Recomendaciones para gestionar grandes volúmenes de datos
o    Ejemplos de modelos de negocios exitosos
•    Transformando el modelo de negocio con IA considerando fortalezas y amenazas
o    Modelos de negocios tradicionales
o    Cómo la IA está cambiando los modelos de negocios
o    El caso de Amazon
o    El caso de Uber
•    El futuro de la transformación digital y su impacto en los negocios
o    Cuándo llegará IA superinteligente
o    Beneficios de la IA superinteligente
o    Amenazas de la IA superinteligente
o    Nos veremos beneficiados o perjudicados por esta IA superinteligente

Metodología de enseñanza y aprendizaje:
La metodología se presenta más adelante ya que para todos los cursos es la misma.

Evaluación de los Aprendizajes:
-    Controles de lectura que permiten asegurar la comprensión de los contenidos desplegados en la plataforma     15%
-    Foros de participación que permiten evaluar el análisis y capacidad de reflexión de los alumnos en torno a problemáticas aplicadas     20%
-    Trabajo final grupal que evalúa la aplicación de los contenidos a contextos profesionales     25%
-    Examen final que permite evaluar de manera global la adquisición de los contenidos del curso    40%

Metodología de enseñanza y aprendizaje:
Los contenidos del diplomado están agrupados en cursos de dos meses de duración cada uno. El año académico se divide en 5 bimestres programados desde marzo a diciembre.

Dado que los cursos no son prerrequisito uno de otro, los alumnos tienen la opción de ingresar al diplomado en cualquier bimestre y los cursos que no hayan alcanzado a realizar los podrán tomar al año siguiente.

Descripción cursos 5 créditos:
Cada curso consta de ocho semanas e-learning donde se desplegarán semanalmente las clases, contenidos, actividades y evaluaciones. Las clases se estructuran bajo una lógica de diseño instruccional centrada en el estudiante, que contribuye a la motivación y facilita su aprendizaje. Se busca que estén siempre presente tres elementos: contenido, evaluación y reflexión. El componente de reflexión es clave para generar comunidades de aprendizaje activas que permitan compartir experiencias.

En el caso del contenido, este se organiza a través de recursos interactivos que integran videos, esquemas, artículos, lecturas complementarias y preguntas formativas, todos dispuestos para facilitar el aprendizaje de los estudiantes.

En cuanto a las estrategias de evaluación, estas se organizan en cuestionarios con preguntas de opción múltiple, cuyo propósito es medir el nivel de aprendizaje logrado en cada una de las clases. Complementariamente, se dispone de foros en donde se evaluará tanto la participación como la calidad de dicha participación, brindando de esta forma al estudiante la oportunidad de intercambiar y fundamentar sus opiniones respecto a temas de actualidad asociados al contenido. Finalmente, el curso contempla la entrega de un trabajo, el que debe ser desarrollado a lo largo del curso, en donde se espera que el estudiante tenga la oportunidad de aplicar los conocimientos adquiridos y un examen final.

El curso cuenta con tutores de contenidos cuya función es dar respuesta a todas las preguntas sobre la materia tratada, ya sea directamente, o bien, sirviendo de puente con el profesor responsable del curso.

El curso además cuenta con una clase en vivo donde los alumnos podrán reforzar y resolver dudas. La asistencia a dicha clase es obligatoria y los alumnos podrán participar mediante streaming o asistiendo presencialmente en los lugares y horarios de realización que defina la Clase Ejecutiva.

Para consultas técnicas (soporte técnico) o administrativas (coordinación asuntos estudiantiles) los alumnos pueden contactarse con la clase ejecutiva escribiendo mediante el formulario de “contacto Coordinación” dispuesto en el curso, el email alumnosuc@claseejecutiva.cl o llamando al número (+562) 2354 5040 en horario hábil (lunes a viernes de 9:00 a 18:00).

Equipo Docente

JEFE DE PROGRAMA

Tomás Reyes Torres
Ph.D. en Finanzas y M.Sc. en Administración de Negocios de la Universidad de California at Berkeley, EE. UU. e Ingeniero Civil de Industrias y M.Sc. en Computación de la Pontificia Universidad Católica de Chile.  Actualmente es Profesor de Jornada Completa en el Departamento de Ingeniería Industrial y de Sistemas de la Pontificia Universidad Católica de Chile, donde dicta Finanzas y Evaluación de Proyectos, entre otros cursos.

DOCENTES

Tomás Reyes Torres
Ph.D. en Finanzas y M.Sc. en Administración de Negocios de la Universidad de California at Berkeley, EE. UU. e Ingeniero Civil de Industrias y M.Sc. en Computación de la Pontificia Universidad Católica de Chile.  Actualmente es Profesor de Jornada Completa en el Departamento de Ingeniería Industrial y de Sistemas de la Pontificia Universidad Católica de Chile, donde dicta Finanzas y Evaluación de Proyectos, entre otros cursos.

Álvaro Chacón Hiriart
Ph.D (c), MBA, M.Sc. e Ingeniero Civil de Industrias de la Pontificia Universidad Católica de Chile. Además, es Master of Engineering Management de la Universidad de Melbourne, Australia. Su área de investigación se relaciona con las ciencias del comportamiento y en particular con la utilización de las recomendaciones algorítmicas. Ha ocupado cargos gerenciales y directivos en importantes empresas multinacionales e instituciones sin fines de lucro.

Domagoj Vrgoc
Profesor Asistente del Instituto de Ingeniería Matemática y Computacional de la Pontificia Universidad Católica. Doctor en Computación de la Universidad de Edimburgo, Reino Unido. Sus áreas de interés son manejo de datos, la Web Semántica y Teoría de Computación. Su tesis de doctorado fue destacada por la British Computing Society como una de las mejores de su generación. Es autor de más de 30 papers técnicos y ha sido parte de los comités de programas de las conferencias más importantes en bases de datos, la Web, e Inteligencia Artificial, como ACM PODS, ICDT, WWW, ISWC, IJCAI, entre otros.

Mathias A. Klapp
Profesor de la Escuela de Ingeniería UC, afiliado al Departamento de Ingeniería Industrial y de Sistemas y al Departamento de Ingeniería de Transporte y Logística. Es Ph.D y MSc. en Investigación de Operaciones del Georgia Institute of Technology e Ingeniero Civil Industrial UC. Su especialidad es planificar operaciones de logística eficaces y costo-eficientes. Ha desarrollado sistemas de planificación para aplicaciones en logística urbana (despacho a domicilio, ruteo y car-sharing) y en planificación de turnos de trabajo y personal (workforce management).

Juan Carlos Ferrer
Ph.D in Management en el Massachussets Institute of Technology (M.I.T.) e Ingeniero Civil Industrial y M.Sc. de la Pontificia Universidad Católica de Chile. Desde 1995 se ha desempeñado como profesor del Departamento de Ingeniería Industrial y de Sistemas de la Pontificia Universidad Católica de Chile, y en dos oportunidades (2009 y 2015) ha sido Visiting Professor en MIT Sloan School of Management. Desde el 2010 es Director de Desarrollo y Financiamiento de la Escuela de Ingeniería, y desde 2013 también ha sido el Vicedecano de la Escuela de Ingeniería UC.

* La Escuela de Ingeniería se reserva el derecho de remplazar, en caso de fuerza mayor, a él o los profesores indicados en este programa.

Requisitos de aprobación

El diplomado será evaluado con una sola nota de escala de 1,0 (uno coma cero) a 7,0 (siete coma cero). La aprobación será con nota 4,0 (cuatro comas cero) de acuerdo a las siguientes ponderaciones de los cursos del diplomado:

Curso: Manejo de Grandes Volúmenes de Datos (Big Data)                    25%
Curso: Toma de decisiones de Negocio basada en análisis de datos (Business Analytics)        25%
Curso: Habilidades Analíticas para una Gestión Moderna                    25%
Curso: Inteligencia Artificial en los Negocios                            25%

Para la aprobación el diplomado, el alumno debe cumplir con dos requisitos:

a)     Calificación mínima de todos los cursos 4.0 en su promedio ponderado y
b)     75% de asistencia o cifra superior a las sesiones presenciales.

En el caso de los programas en modalidad en línea, los estudiantes tendrán que cumplir con la calificación mínima de 4.0 y con los requisitos establecidos para cada programa.

Para aprobar los programas de diplomados se requiere la aprobación de todos los cursos que lo conforman y en el caso que corresponda, de la evaluación final integrativa.

Los alumnos que aprueben las exigencias del programa recibirán un certificado de aprobación otorgado por la Pontificia Universidad Católica de Chile.

El alumno que no cumpla con una de estas exigencias reprueba automáticamente sin posibilidad de ningún tipo de certificación.

Bibliografía

-    Agrawal, A., Gans, J., y Goldfarb, A. (2018). Prediction Machines. The Simple Economics of Artificial Intelligence. Harvard Business Review Press.
-    Banks, J., Carson, J., Nelson, B. y Nicol, D. (2005), Discrete-event system simulation, 5° Edition. Pearson.
-    Bertsimas, Dimitris, and Freund M., (2004), Data, models and decisions; the fundamentals of management science. Dynamic Idea.
-    Bradshaw, S., Brazil, E. y Chodorow, K. (2019). MogoDB: The Definitive Guide, 3rd edition, O’Reilly Media.
-    Chhajed, D. y Timothy J. (2008) Building intuition: insights from basic operations management models and principles. Vol. 115. Springer Science & Business Media.
-    Davenport, T., y Harris, J. (2017). Competing on analytics: Updated, with a new introduction: The new science of winning. Harvard Business Press.
-    Dean, J. y Ghemawat, S. (2004). MapReduce: Simplified Data Processing on Large Clusters. Operating Systems Design and Implementation (OSDI) 2004: 137-150.
-    Ghemawat, S., Gobioff, H. y Leung, S. (2003). The Google file system. Symposium on Operating Systems Principles (SOSP) 2003: 29-43.
-    Hogan, A. (2019). Procesamiento masivo de datos, http://aidanhogan.com/teaching/cc5212-1-2019/.
-    Maheshwari, A. 2020. Data Analytics Made Accessible. Fairfield: Amazon.
-    Ragsdale, C. (2006), Spreadsheet Modeling & Decision Analysis, Thomson Nelson.
-    Ramakrishnan, R. y Gehrke, J. (2002). Database Management Systems, 3rd edition, McGraw-Hill.
-    Robinson, I., Webber, J., Eifrem, E. (2015). Graph Databases: New Opportunities for Connected Data, 2nd edition, O’Reilly Media.
-    Russell, S. (2019). Human Compatible: Artificial Intelligence and the problem of control. Ed. Viking.
-    Siegel, E. (2013). Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie or Die Book Review. John Wiley & Sons.
-    Tetlock, P. y Gardner, D. (2015). Superforecasting: The Art and Science of Prediction. Crown Publishers/Random House.
-    The Apache Foundation (2020). Apache Hadoop, disponible en: http://hadoop.apache.org/.
-    Winston, W. (2019). Microsoft Excel 2019 Data Analysis and Business Modeling (Business Skills). 6th Edition. Pearson Education.

Proceso de Admisión

Las personas interesadas deberán completar la ficha de postulación que se encuentra en http://diplomadosuc.claseejecutiva.cl/aviso/fichaInscripcion.pdf.

Las postulaciones pueden ser en cualquier momento del año, dado que los cursos no son prerrequisitos entre sí.

VACANTES: No existen vacantes máximas.
“No se tramitarán postulaciones incompletas”.

El Programa se reserva el derecho de suspender la realización del diplomado/curso si no cuenta con un mínimo de 20 alumnos matriculados. En tal caso se devuelve a los alumnos matriculados la totalidad del dinero en un plazo aproximado de 10 días hábiles.

A las personas matriculadas que se retiren de la actividad antes de la fecha de inicio, se les devolverá el total pagado menos el 10% del total del arancel y los costos de los materiales.

SOLICITAR MÁS INFORMACIÓN
ACTIVIDAD NO DISPONIBLE
PARA INSCRIPCIÓN

POR FAVOR DÉJENOS SU CONSULTA
Y LO CONTACTAREMOS

Mantente conectado a nuestras redes sociales