Diplomado en Data-driven management: modelos y casos de negocio

Docente(s): Rodrigo Carrasco

Unidad académica responsable: Escuela de Ingeniería

Créditos: 4

Horas totales: 75 | Horas directas: 35 | Horas indirectas: 40 

Descripción del curso

En este curso los alumnos aprenderán a utilizar herramientas de analítica prescriptiva para resolver problemas complejos y optimizar procesos de negocio. Tendrán la oportunidad de analizar datos y modelar escenarios que permitan tomar decisiones informadas, mejorando la eficiencia y efectividad en diversas áreas operativas.

Además, se familiarizarán con técnicas de modelamiento y optimización, aplicando conceptos matemáticos y algoritmos para desarrollar soluciones innovadoras. El curso brindará un enfoque práctico, mediante el uso de casos de estudio reales y ejercicios interactivos que facilitarán la comprensión y aplicación de los conocimientos adquiridos. 

El formato e-learning surge como una solución que permite construir aprendizajes a partir de los aportes de los participantes y entregando flexibilidad a sus horarios de estudio. Los participantes podrán interactuar con sus compañeros y tutores a través de mensajería y foros de discusión aplicados, incorporando sus distintas aproximaciones a las temáticas tratadas y su diversidad de experiencias, enriqueciendo la reflexión y la apropiación de los conceptos clave.

Resultados de aprendizaje:

• Desarrollar modelos para representar un problema de decisión, entendiendo las partes principales y los requerimientos necesarios.
• Seleccionar alternativas de modelamiento del problema y la metodología de resolución, entendiendo los beneficios y dificultades que pueden tener.
• Interpretar resultados.

Contenidos:

• De los datos a la acción: introducción a la analítica prescriptiva y optimización
  • La importancia de la analítica prescriptiva
  • Fundamentos de la optimización matemática
  • Proceso de análisis de problemas aplicados
  • Cómo transformar problemas reales en modelos matemáticos
  • Instalación y configuración de herramientas en Python 
• Optimizando lo lineal: modelos y aplicaciones prácticas
  • Modelos lineales en acción
  • Cómo transformar problemas complejos en modelos lineales
  • Algoritmo Simplex y su relevancia
  • Dualidad y análisis de sensibilidad para decisiones estratégicas 
• Decisiones Sí o No: Modelos con variables binarias
  • Modelado de decisiones binarias: hacer o no hacer
  • Aplicaciones clave en planificación y logística
  • Cómo resolver problemas reales con variables binarias 
• Más allá de lo lineal: modelos no Lineales y sus aplicaciones
  • Cuando y por qué usar modelos no lineales
  • Cómo manejar las complejidades de la optimización no lineal
  • Modelos convexos y su importancia
  • Aplicaciones en finanzas y economía 
• Desafíos del mundo real: modelado y resolución de problemas complejos
  • Técnicas avanzadas para modelar problemas complejos
  • Optimización estocástica y decisiones bajo incertidumbre
  • Optimización robusta: asegurando soluciones confiables 
• De la teoría a la práctica: proyecto integrador en optimización
  • Aplicación de todo lo aprendido en un caso real
  • Desarrollo y presentación de un modelo de optimización
  • Evaluación y retroalimentación con datos reales 

Estrategias Metodológicas:

• El curso está constituido de seis clases e-learning y dos clases sincrónicas. 
• Aprendizaje autónomo asincrónico 
• Clase expositiva 
• Foro 
• Estudio de caso 

Estrategias Evaluativas:

• 6 controles individuales: (15%) 
• 3 foros: (25%) 
• 1 trabajo de aplicación final grupal: (30%) 
• 1 examen final global individual: (30%) 

Docente: Mauricio Arriagada

Unidad académica responsable: Escuela de Ingeniería

Créditos: 4

Horas totales: 75 | Horas directas: 35 | Horas indirectas: 40

Descripción del curso

El curso comienza abordando la problemática de la obtención, preparación y limpieza de datos, para luego adentrarse en las técnicas y algoritmos asociados a la minería de datos, como clasificación, clustering, entre otros. Además, se exploran algoritmos, técnicas y herramientas de machine learning.

Los estudiantes de este curso adquirirán conocimientos fundamentales sobre Minería de Datos, comprendiendo las diversas fuentes de información a utilizar, revisando el preprocesamiento de datos y aplicando técnicas de extracción de conocimiento. Esto incluye el uso de reglas de asociación, árboles de decisión, métodos de regresión, algoritmos de clasificación y la evaluación de clasificadores, junto con una introducción al aprendizaje de máquina.

El enfoque del curso es práctico, brindando oportunidades para aplicar los conocimientos en proyectos y casos concretos. Se proporcionan herramientas de extracción y análisis de información para que una organización pueda generar valor a partir de los datos, mejorando su posición competitiva.

Al finalizar el curso, los estudiantes contarán con conocimientos teóricos y prácticos sobre las principales técnicas utilizadas en la creación de programas capaces de extraer conocimiento relevante de bases de datos. También comprenderán algunas de las principales aplicaciones actuales de estas técnicas, así como sus potencialidades y limitaciones.

Los contenidos serán abordados en 6 clases en línea (8 semanas), donde se entregarán los contenidos mediante recursos interactivos que integran videos, esquemas, artículos, lecturas y preguntas formativas. El curso se impartirá a través de una plataforma educativa virtual.

Resultados de aprendizaje:

• Identificar las principales teorías y prácticas de la Minería de Datos.
• Aplicar reglas de asociación de manera efectiva para la ubicación de relaciones interesantes en un conjunto de transacciones.
• Aplicar técnicas como árboles de decisión, clustering y otras en escenarios prácticos reales. 

Contenidos:

• Conceptos sobre Data Warehouse y uso de Dataframes 
• Procesamiento y consolidación de datos. 
  • Preprocesamiento de datos 
  • Selección y transformación de datos 
• Reglas de asociación 
• Aplicación de los algoritmos Random Forest y KNN 
  • Árbol de decisión 
  • KNN 
  • Random Forest 
• Aplicación de los algoritmos K-Means y DBSCAN 
  • Clustering 
  • K-Means 
  • Clustering jerárquico 
• Introducción al Machine Learning 
  • Modelo de entrenamiento 
  • Métricas de evaluación 

Estrategias Metodológicas:

• El curso está constituido de seis clases e-learning y dos clases sincrónicas. 
• Aprendizaje autónomo asincrónico 
• Clase expositiva 
• Foro 
• Estudio de caso  

Estrategias Evaluativas:

• El curso cuenta con las siguientes actividades de evaluación:
• 3 controles individuales – 40%
• 3 mini proyectos individuales – 60%

Docente responsable:Tomás Reyes Torres y Alvaro Chacón

Unidad académica responsable: Escuela de Ingeniería

Créditos: 4

Horas totales: 75 | Horas directas: 35 | Horas indirectas: 40

Descripción del curso

El uso de métodos cuantitativos permite obtener información relevante para apoyar la toma de decisiones, en un mundo que está volcándose totalmente hacia lo digital. Debido a lo anterior, las organizaciones en la actualidad han aumentado intensivamente el uso de técnicas de análisis de datos. 

En este contexto, el presente curso busca que los participantes logren aplicar la analítica de datos en la toma de decisiones en distintas industrias, utilizando herramientas propias del análisis descriptivo, predictivo, prescriptivo y conductual en los negocios, dentro del marco ético y regulatorio correspondiente.

El formato online mixto combina clases sincrónicas, donde los participantes interactúan en tiempo real con sus profesores y compañeros, con materiales grabados que les permiten avanzar a su propio ritmo. Esta modalidad ofrece flexibilidad en los horarios de estudio, fomentando la construcción de aprendizajes a partir de las interacciones en vivo y los recursos disponibles en la plataforma.

Resultados de aprendizaje

• Identificar nociones fundamentales del uso de herramientas de analítica de datos en el apoyo en la toma de decisiones de negocio
• Reconocer la relevancia y aplicaciones del análisis descriptivo en el apoyo en la toma de decisiones de negocio
• Distinguir la relevancia y aplicaciones del análisis predictivo en el apoyo en la toma de decisiones de negocio
• Revisar la relevancia y aplicaciones del análisis prescriptivo en el apoyo en la toma de decisiones de negocio
• Analizar casos reales de aplicación de herramientas de analítica de datos con foco en el apoyo en la toma de decisiones de negocio de organizaciones.
• Formular la aplicación de herramientas de analítica de datos con foco en el apoyo en la toma de decisiones de negocio de una organización

Contenidos:

• 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
• Análisis descriptivo y gestión 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 
• 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 
• Análisis prescriptivo y recomendación de decisiones
  • Métodos de optimización
  • Valor de la simulación
  • Análisis de sensibilidad
  • Recomendaciones para la toma de decisiones  
• Casos reales de aplicaciones de BA
  • Métodos de recolección de datos
  • A/B Testing
  • Métodos de pronósticos
  • Análisis de regresiones
  • Modelos de optimización
  • Modelos de simulación 
• 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
  • Consideraciones éticas y regulatorias
  • El futuro de BA 

Estrategias Metodológicas:

• El curso está constituido de seis clases e-learning y dos clases sincrónicas. 
• Aprendizaje autónomo asincrónico 
• Clase expositiva 
• Foro 
• Estudio de caso 

Estrategias Evaluativas:

• El curso cuenta con las siguientes actividades de evaluación:
• 6 controles individuales: (15%) 
• 3 foros: (25%) 
• 1 trabajo de aplicación final grupal: (30%) 
• 1 examen final global individual: (30%)

Docente responsable: Tomás Reyes Torres y Alvaro Chacón

Unidad académica responsable: Escuela de Ingeniería

Créditos: 4

Horas totales: 75 | Horas directas: 35 | Horas indirectas: 40

Descripción del curso

El curso tiene como objetivo generar en los estudiantes una comprensión global respecto a la aplicabilidad de la Inteligencia Artificial en los negocios, junto con el reconocimiento del panorama que está viviendo su industria, para así tomar decisiones más informado y de manera oportuna.

Para lograr lo anterior, se desarrollarán temáticas como la mejora en la capacidad predictiva, la interacción de la IA con las personas y el valor de los datos. El conocimiento de estos y otros conceptos claves, permitirán a los estudiantes y sus organizaciones, transitar de manera efectiva en un contexto de economía digital.

El formato online mixto combina clases sincrónicas, donde los participantes interactúan en tiempo real con sus profesores y compañeros, con materiales grabados que les permiten avanzar a su propio ritmo. Esta modalidad ofrece flexibilidad en los horarios de estudio, fomentando la construcción de aprendizajes a partir de las interacciones en vivo y los recursos disponibles en la plataforma.

Resultados de aprendizaje:

• Identificar los principales conceptos referentes a la Inteligencia Artificial y su aplicabilidad en los negocios
• Reconocer la relevancia de las predicciones para una mejor toma de decisiones y su impacto en los negocios.
• Distinguir la Inteligencia Artificial como un apoyo que permite a las personas tomar mejores decisiones.
• Analizar el valor de los grandes volúmenes de datos para la toma de decisiones de negocios y las aplicaciones que al respecto posee la Inteligencia Artificial.
• Relacionar la Inteligencia Artificial con la estrategia de negocios de las organizaciones.
• Formular la aplicación de Inteligencia Artificial con foco en la mejora de la toma de decisiones de negocio de una organización.  

Contenidos:

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

Estrategias Metodológicas:

• El curso está constituido de seis clases e-learning y dos clases sincrónicas. 
• Aprendizaje autónomo asincrónico 
• Clase expositiva 
• Foro 
• Estudio de caso 

Estrategias Evaluativas:

• 6 controles individuales: (15%) 
• 3 foros: (25%) 
• 1 trabajo de aplicación final grupal: (30%) 
• 1 examen final global individual: (30%)