Buscar

Diplomatura en Data Mining para Business Intelligence


Resulta inconcebible hoy día que una empresa con un sólido registro de grandes volúmenes de datos de sus clientes no los esté usando para entender mejor a su cartera y maximizar el desempeño de las acciones de CRM (Customer Relationship Management) que lleve delante. Más aún, las nuevas herramientas predictivas de aprendizaje automático e inteligencia artificial permiten eficaz y eficientemente descubrir patrones donde el ojo humano apenas puede llegar a discernir algunas sencillas relaciones. A través del desarrollo de casos de éxito, en esta diplomatura creada en conjunto con la Universidad de Ciencias Empresariales y Sociales aprenderá por qué la minería de datos es necesaria y cómo aplicarla en su empresa para personalizar las relaciones comerciales con sus clientes.



Objetivos

  • Aprender cómo las grandes empresas están usando sus datos predictivamente para maximizar la rentabilidad del negocio.

  • Saber qué análisis son fundamentales para asegurar la calidad y consistencia de los datos a utilizar.

  • Tener una base teórica de los algoritmos de aprendizaje automático más eficaces.

  • Comprender las métricas fundamentales para evaluar el desempeño de un proyecto de business intelligence predictivo.

  • Desarrollar modelos predictivos en librerías open source de Python.

  • Tomar decisiones críticas a lo largo del camino de un proyecto.

Destinatarios

  • Profesionales de empresas ligados a proyectos de inteligencia comercial que quieran adentrarse en las mejores prácticas de aprendizaje automático para desarrollar sistemas predictivos a nivel cliente. Pueden desempeñarse en áreas comerciales, de IT, analytics, desarrollo de productos, fuerza de ventas, etc.

  • Estudiantes de carreras universitarias afines a ingeniería, sistemas, data mining,actuario, entre otras.

  • Personas que estén iniciándose en el mundo del análisis predictivo de datos.

Requisitos


Ya que se va a programar en Python durante las prácticas, es recomendable contar con conocimientos básicos de programación. Además, es necesario que los alumnos concurran con su laptop personal para poder trabajar a la par del profesor y sus compañeros.


Plan de Estudios


Módulo I

Primero entenderemos los conceptos básicos de la minería de datos.

Luego, desarrollaremos un modelo predictivo sencillo para marketing bancario.


Clase I: ¿Por qué Data Mining?

Introducción con análisis de casos de estudio ejemplares.

Tipos A y B de científicos de datos: analistas y constructores (analysts & builders).

Actores organizacionales de un proyecto de inteligencia comercial predictiva.

Estructuras más comunes de datos y gobernanza de los mismos.

Del análisis exploratorio descriptivo al desarrollo de modelos predictivo.

Herramientas comerciales y open source.


Clase II: Análisis de datos

Exploración y análisis estadístico-visual.

Desafiando a los datos y descubriendo propiedades.

Técnicas de normalización de la información.

Métricas de monitoreo de calidad y consistencia.

Clustering descriptivo y subpoblaciones.


Clase III: Preparación de datos

Abstracción temporal.

Ingeniería de variables predictivas.

Series de tiempo y agregaciones temporales.

Diseño de laboratorios predictivos.

Muestreo.


Clase IV: Algoritmos predictivos

Métricas de evaluación de un modelo predictivo.

Árboles de decisión.

Bosques aleatorios.

Optimización de parámetros.


Módulo II

Pasaremos a explorar algoritmos y sistemas de evaluación de mayor complejidad.

Explicaremos todos los detalles de implementación práctica y seguimiento recurrente.

Desarrollaremos dos casos de estudio de principio a fin.


Clase V: Algoritmos Predictivos II

XGBoost y LightGBM.

Introducción a redes neuronales.

Selección del modelo campeón en un laboratorio predictivo.

Importancia de variables predictivas.


Clase VI: Implementación de modelos

Implementación batch vs. online.

Sistemas combinados de próxima mejor acción.

Evaluación de resultados en implementación.

Actualización de modelos.

Retroalimentación positiva y negativa.

Tablero de monitoreo permanente.


Clase VII: Caso de Estudio I, Cross y Up-Selling

Exploración inicial del conjunto de datos.

Definición concreta de las variables a predecir.

Exploración exhaustiva del conjunto de datos.

Preparación de CARs de abstracciones temporales.

Laboratorio de modelos predictivos y selección de solución final.

Evaluación de primeros resultados obtenidos.

Decisiones para una segunda etapa.


Clase VIII: Caso de Estudio II, Retención

Exploración inicial del conjunto de datos.

Definición concreta de las variables a predecir.

Exploración exhaustiva del conjunto de datos.

Preparación de CARs de abstracciones temporales.

Laboratorio de modelos predictivos y selección de solución final.

Evaluación de primeros resultados obtenidos.

Decisiones para una segunda etapa.


Docentes

Lic. Iván Gómez Villafañe

Se adentró en el mundo de la computación trabajando como técnico en armado y reparaciones mientras cursaba en el Colegio Nacional de Buenos Aires. A la vez que finalizaba sus estudios secundarios con un sexto año adicional en ciencias exactas, comenzó a trabajar con modelos predictivos en su computadora personal. Luego de acumular sustancial experiencia en aplicaciones prácticas, fundó DATAEVO S.R.L. junto a Ignacio Forrester, donde actualmente desarrolla modelos predictivos para el sector bancario.


Ignacio Forrester

Logró el tercer puesto a nivel mundial en una competencia internacional de minería de datos para estudiantes organizada por el banco Santander de España, donde se midió frente a equipos de carreras universitarias y maestrías de todo el mundo. Estudia Ingeniería Industrial en el ITBA y actualmente se desempeña como Senior Data Miner del sector riesgos para Mercado Libre.

Inscripción online

#diplomatura #datamining #mineríadedatos #datos #uces #businessintelligence

62 vistas