DiplomadoInteligencia artificial y datos
Ciencia de datos para la toma de decisiones
El diplomado Ciencia de datos para la toma de decisiones proporciona al estudiante la integración de estadística, modelos predictivos, experimentación y optimización para responder preguntas de negocio y elegir entre alternativas con evidencia. Le permite pasar de describir datos a prescribir decisiones con impacto medible y cuantificado.
A quién va dirigido
Profesionales de áreas técnicas o administrativas con estadística básica; se recomienda manejo inicial de Python o R.
Objetivos
✓Comprender las diferencias entre analítica descriptiva, predictiva y prescriptiva y el ciclo CRISP-DM aplicado a decisiones.
✓Analizar datos con intervalos de confianza, pruebas de hipótesis y regresión múltiple, distinguiendo correlación de causalidad.
✓Aplicar regresión logística, árboles y curvas de ganancia para fijar umbrales de decisión según el costo de error.
✓Diseñar pruebas A/B, análisis de diferencias en diferencias y modelos de optimización lineal con PuLP o Solver de Excel.
✓Evaluar recomendaciones con simulación de Monte Carlo y análisis de sensibilidad, comunicando la incertidumbre a los directivos.
Plan de estudios por sesión
1
Del dato a la decisiónAnalítica descriptiva, predictiva y prescriptiva · Metodología CRISP-DM
2
Valor de la información y entorno de trabajoCosto de la decisión y valor de la información · Python con pandas en Jupyter
3
Inferencia estadística para decidirDistribuciones e intervalos de confianza · Pruebas de hipótesis
4
Regresión y causalidadRegresión lineal múltiple · Correlación frente a causalidad
5
Modelos predictivos y validaciónRegresión logística y árboles · Validación y sobreajuste
6
Umbrales de decisión y explicabilidadCurvas de ganancia y umbral de decisión · Explicabilidad para directivos
7
Experimentos controladosDiseño de pruebas A/B y tamaño de muestra · Diferencias en diferencias
8
Sesgos y lectura crítica de la evidenciaSesgos de selección · Lectura crítica de resultados
9
Optimización de recursosProgramación lineal con PuLP o Solver de Excel · Asignación de presupuesto y producción
10
Simulación y sensibilidadSimulación de Monte Carlo para riesgo · Análisis de sensibilidad
11
Caso de decisión y modelado del proyectoCaso de decisión real · Modelo predictivo y prescriptivo
12
Presentación del proyecto final: recomendación cuantificadaRecomendación cuantificada · Sustentación
Evaluación
Inicial30%Planteamiento de un problema de decisión con CRISP-DM y valor de la información; taller de pruebas de hipótesis en Python con pandas.
Intermedio30%Modelo predictivo con curva de ganancia y umbral de decisión; diseño de una prueba A/B con cálculo del tamaño de muestra.
Final40%Proyecto final: recomendación cuantificada para una decisión real de negocio que combine modelo predictivo, experimento o simulación y optimización, con sustentación.
Proyecto final
Recomendación cuantificada para una decisión real de negocio que combine modelo predictivo, experimento o simulación y optimización.