Please enable JavaScript.
Coggle requires JavaScript to display documents.
Reporte de los Webinar sobre Analítica de Datos, Santiago Roa Alvarado 9A…
Reporte de los Webinar sobre Analítica de Datos
Analítica de datos aplicada a negocios
Conceptos Clave
Big Data: No es solo “muchos datos”, sino datos con:
Volumen: Grandes cantidades de información.
Variedad: Diferentes fuentes (redes sociales, clima, transacciones).
Velocidad: Ritmo con el que llegan los datos.
Analítica Avanzada:
Descriptiva: ¿Qué pasó?
Predictiva: ¿Qué podría pasar?
Prescriptiva: ¿Qué debería hacerse?
Autónoma: Algoritmos que aprenden solos.
Evolución tecnológica
De discos duros de IBM de $250,000 USD por 5 MB (1956) a tarjetas microSD de 512 GB por unos pocos dólares.
Almacenamiento en ADN bacteriano es la nueva frontera.
Procesamiento: GPUs y arquitecturas paralelas aumentan la capacidad de análisis.
Machine Learning e Inteligencia Artificial
Machine Learning = subárea de la IA que aprende de los datos.
Predice (por ejemplo, si alguien va a comprar) y clasifica (buen/mal cliente).
Casos reales: Netflix, autos autónomos, biometría en celulares.
¡Ojo! No es magia: los datos deben tener sentido y lógica de negocio.
Errores y Mitos comunes
No es magia ni adivinación.
No todos los problemas necesitan Big Data.
Sin una buena pregunta de negocio, no hay buen análisis.
La limpieza de datos consume el 90% del trabajo.
Casos de Uso
Retail: Análisis de productos comprados juntos para stock y promociones.
Marketing: Descuentos personalizados basados en probabilidad de compra.
Deportes: Moneyball: optimizar jugadores con bajo presupuesto.
Política: Microsegmentación de votantes (casos Obama/Trump).
Entretenimiento: Algoritmos de recomendación de Netflix.
En las empresas
Intervienen: Tecnología, Analistas de Negocio, Data Scientists, Usuarios finales.
Nuevos perfiles: “traductor” entre TI y negocio.
Se busca autoservicio de análisis (BI Self-Service).
Introducción al análisis de datos
Ecosistema de datos modernos
Definición y componentes del ecosistema de datos.
Tipos de datos (estructurados, semi-estructurados y no estructurados).
Fuentes de datos y repositorios.
Roles clave en el análisis de datos
Ingeniero de datos: Encargado de la arquitectura y gestión de datos.
Analista de datos: Traduce datos en información comprensible.
Científico de datos: Crea modelos predictivos.
Analista de negocio y de inteligencia de negocio: Utilizan datos para tomar decisiones estratégicas.
Experto en seguridad digital: Protege los datos de amenazas.
Tipos de análisis de datos
Análisis descriptivo: ¿Qué pasó?
Análisis de diagnóstico: ¿Por qué pasó?
Análisis predictivo: ¿Qué va a pasar?
Análisis prescriptivo: ¿Qué hacer para que pase algo?
Herramientas y lenguajes de programación
SQL: Lenguaje de consulta estructurado.
Python: Lenguaje de programación de código abierto.
R: Lenguaje para el desarrollo de software estadístico.
Java: Lenguaje orientado a objetos.
Herramientas de visualización como Tableau.
Oportunidades profesionales
Alta demanda de analistas de datos en diversos sectores.
Importancia de la certificación y la formación continua.
Capacitación y centros de excelencia para la toma de decisiones basadas en datos.
Desequilibrio entre la oferta y la demanda de analistas de datos bien preparados
Santiago Roa Alvarado 9A DGS 22292010
26 de junio de 2025