Diplomado en Management analytics

Docente(s): Domagoj Vrgoc

Docente responsable: Domagoj Vrgoc

Unidad académica responsable: Escuela de Ingeniería

Créditos: 4

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

Descripción:

El real mejoramiento de la eficiencia organizacional está relacionado con la implementación de soluciones tecnológicas que permiten agilizar la toma de decisiones en base a información cuantitativa y cualitativa relevante en tiempo real. Dicha información proviene de una adecuada administración de grandes volúmenes de datos por minuto, que demandan extensos y rigurosos análisis junto con métricas e indicadores cada vez más exactos.  

El análisis de grandes volúmenes de datos permite extraer tendencias y patrones complejos de información, con enormes implicancias estratégicas, permitiendo predecir mejor y transformando la forma en la que se hacen hoy en día los negocios. Este curso permite al alumno escoger las herramientas adecuadas para manejo de los datos en su empresa, entendiendo las infraestructuras computacionales que se requieren para manejar datos de distintos volúmenes y características. 

Resultados de aprendizaje:

• Modelar datos usando herramientas de bases de datos relacionales (SQL), bases de datos NoSQL y bases de datos distribuidas.
• Estimar la necesidad de cambiar la infraestructura de los datos desde un modelo clásico centralizado (tipo SQL) a un modelo de Big Data distribuido.
• Identificar las herramientas de manejo de datos adecuadas para el contexto de su empresa.

Contenidos:

• Manejo de datos
  • Datos de una empresa.
  • Distintos formatos de datos.
  • Problemas organizacionales.
  • Sistemas de bases de datos.
  • Bases de datos relacionales.
• ¿Cómo interactuar con una base de datos?
  • Base de datos en el ecosistema de una empresa.
  • Lenguaje de consultas SQL.
  • Múltiples usuarios trabajando con los datos.
• Distribución de datos
  • Paso al mundo de Big Data.
  • Distribución de los datos.
  • Comparando sistemas centralizados y sistemas distribuidos.
• NoSQL
  • Otros modelos de datos.
  • Key-value stores.
  • Bases de datos de documentos.
  • Bases de datos de grafos.
• Procesamiento masivo de datos
  • ¿Cómo manejar a datos diversos?
  • Google File System: Garantías de consistencia.
  • ¿Cómo ocupar el sistema de archivos de Google?
• MapReduce
  • ¿Cómo priorizar petabytes de datos?
  • MapReduce.
  • Blocking y tolerancia a fallas.
  • ¿Cómo ocupar MapReduce?

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(s): Tomás Reyes y Álvaro Chacón

Docente responsable: Tomás Reyes

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.

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 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:

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

Docente(s): Juan Carlos Ferrer y Mathias Klapp  

Docente responsable: Juan Carlos Ferrer

Unidad académica responsable: Escuela de Ingeniería

Créditos: 4

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

Descripción:

El objetivo de este curso es que los participantes adquieran modelos y herramientas analíticas modernas que se utilizan para apoyar con evidencia los procesos de toma de decisión en diversas áreas de la gestión de negocios.

El curso aborda fundamentos de análisis de datos, fenómenos probabilísticos, así como los procesos de decisión secuencial. También introduce al estudiante herramientas y conceptos de optimización, haciendo una revisión sucinta de distintas técnicas de modelación y resolución de problemas de decisión. De este modo, cada estudiante accede a una visión general de técnicas de Business Analytics, que han sido determinantes en la gestión eficiente de empresas de Clase Mundial.

En este curso se espera que el alumno visualice el sentido práctico de lo enseñado y potencie su uso de planillas de cálculo realizando análisis cuantitativo en situaciones reales de decisión con evidencia de diversas industrias.

Resultados de aprendizaje:

• Reconocer los conceptos asociados a la metodología de análisis de decisión.
• Distinguir los fenómenos probabilísticos para una buena gestión de toma de decisiones bajo incertidumbre.
• Evaluar decisiones en situaciones bajo incertidumbre, utilizando herramientas como el valor esperado y el análisis de sensibilidad para identificar la opción óptima.
• Identificar las técnicas básicas del modelado de incertidumbre y su importancia en la toma de decisiones en entornos continuos.
• Analizar los modelos de simulación, sus beneficios y metodología para la gestión.
• Aplicar los conceptos fundamentales del modelo de optimización la toma de decisiones en la gestión.

Contenidos:

• Análisis de decisión
  • Introducción a la metodología Análisis de Decisión.
  • Modelo analítico Árbol de Decisión.
  • Valorización de decisiones bajo incertidumbre.
  • Aplicaciones.
• Análisis de incertidumbre en escenarios discretos
  • Tabla de probabilidades y probabilidad condicional.
  • Variables aleatorias, discretas y continuas.
  • Distribuciones de probabilidad discreta.
  • Estadísticos (media, desviación estándar, coeficiente de variación).
  • Distribución Binomial.
  • Aplicaciones.
• Análisis de incertidumbre en escenarios continuos
  • Correlación y covarianza.
  • Suma de variables aleatorias.
  • Distribución de probabilidades continua.
  • Distribución normal.
  • Aplicaciones.
• Simulación
  • ¿Qué es un modelo de simulación?
  • Beneficios de simulación computacional.
  • Conceptos básicos de simulación.
  • Metodología.
  • Análisis de resultados y comparación de escenarios simulados.
  • Aplicaciones.
• Optimización
  • Concepto de modelo.
  • Formulación de problemas prácticos.
  • Geometría de la solución.
  • Conceptos económicos asociados a la solución óptima.
• Sistemas de espera
  • Introducción a sistemas de espera.
  • Conceptos de throughput.
  • Estado estacionario y ecuación de Little.
  • Aplicaciones. 

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(s): Tomás Reyes y Santiago Mingo

Docente responsable: Tomás Reyes

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 están viviendo diferentes industrias, para así tomar decisiones más informadas y de manera oportuna.

Para lograr lo anterior, se desarrollarán temáticas como los fundamentos de la Inteligencia Artificial, el uso estratégico de los datos, la integración de herramientas de IA en la toma de decisiones, y las oportunidades y desafíos de la IA generativa. El conocimiento de estos y otros conceptos claves, ayudarán a los estudiantes y sus organizaciones, transitar de manera efectiva en un contexto de economía digital.

Resultados de aprendizaje:

• Comprender los fundamentos, tipos y alcances de la Inteligencia Artificial.
• Determinar la forma en que la IA permite generar mejores predicciones y cómo estas predicciones transforman la toma de decisiones en los negocios.
• Explicar el rol de la IA como apoyo al juicio humano, explorando sus aportes y límites en la toma de decisiones organizacionales.
• Reconocer el valor de los datos como activo estratégico, considerando qué es el Big Data y cómo su uso, junto a la IA, permite mejorar los procesos de decisión.
• Comprender los fundamentos, aplicaciones y desafíos de la IA generativa, y su impacto disruptivo en distintos sectores productivos.
• Utilizar la IA en estrategias de las organizaciones, considerando su potencial transformador, riesgos asociados y contribución al desarrollo sostenible.

Contenidos:

• Introducción a la Inteligencia Artificial.
  • Introducción.
  • ¿Qué es la Inteligencia Artificial?
  • Tipos de IA.
  • Big Data.
  • Conclusiones.
• Mejores predicciones.
  • Introducción.
  • ¿Qué son las predicciones?
  • Efecto del menor costo en la capacidad predictiva.
  • Efecto de mejores predicciones.
  • ¿Prediciendo el juicio humano?
  • Conclusiones.
• Interacción entre IA y las personas.
  • Introducción.
  • ¿Cómo tomamos las decisiones?
  • ¿Qué nos aporta la IA en la toma de decisiones?
  • ¿Humanos y máquinas juntos?
  • Conclusiones.
• El valor de los grandes volúmenes de datos (big data) como activo estratégico.
  • Introducción.
  • Aumento en el volumen de datos.
  • ¿Qué se entiende por Big Data?
  • ¿Por qué los datos son el nuevo petróleo?
  • Conclusiones.
• La Revolución de la Inteligencia Artificial Generativa.
  • Introducción.
  • Fundamentos de la IA generativa.
  • Aplicaciones de la IA generativa en los negocios.
  • Impacto y desafíos de la IA generativa.
  • Conclusiones.
• IA y Estrategia
  • Introducción.
  • Construyendo estrategia con IA.
  • Riesgos asociados a la IA.
  • ¿Nos veremos beneficiados o perjudicados la IA superinteligente?
  • Una mirada general de la IA en las industrias.
  • El aporte de la IA en la sociedad: Construyendo un mejor futuro.
  • Conclusiones. 

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%).