Diplomado en Herramientas de Minería de Datos para Soporte en la Toma de Decisiones

Módulo 1. Los datos.
Objetivo:
El primer módulo es totalmente herramental y establece las organizaciones de datos convenientes para llevar a cabo los repositorios y conformar tableros de monitoreo, o bien, repositorios ad hoc para ser utilizados por los equipos de análisis de datos de las empresas.
Temario:
1. Las bases de datos multidimensionales. OLAP
2. Dataware house (DWH) y Datamarts
3. El diseño del DWH. Las tablas de hechos y las asociaciones con las tablas de las dimensiones. Las dimensiones y los valores calculados. Los datos transaccionales. Afectación al proceso operativo. El proceso de extracción, transformación y carga. Otras formas de consolidar los datos. Uso de buses de mensajes
4. Análisis de datos históricos y análisis de datos "en línea"
5. Consolidación de los datos para obtener métricas de negocio. Indicadores de negocio
6. Formación de tableros de control. Umbrales y bandas de valores. "Semáforos" y reportes ejecutivos. Drill down

Módulo 2. Las técnicas.
Objetivo:
El segundo módulo presenta los fundamentos requeridos para entender la aplicabilidad de las técnicas utilizadas, más comúnmente, en las actividades de elaboración y de prueba de conjeturas.
Temario:
1. La estadística como herramienta de exploración de los hechos representados por los datos. Creación de modelos. Variables objetivo y variables explicativas
2. Estadística descriptiva. Estimadores estadísticos principales. Inferencia estadística
3. Distribuciones de probabilidad, teoremas y supuestos. Variables continuas y variables discretas. Variables categóricas
4. Análisis multidimensional. La correlación y la covarianza. Relaciones lineales y relaciones no-lineales. Componentes principales. Análisis de factores
5. Formación de conglomerados. Alternativas para formación de conglomerados
6. Reglas de asociaciones y técnicas de canasta
7. Las técnicas KDD. Modelos de clasificación. Modelos predictivos
8. La minería de datos. Método general de trabajo. Separación en datos de prueba y datos de entrenamiento para el caso de modelos con aplicación a futuro
9. Árboles de clasificación, CART
10. Redes neuronales
11. Regresión lineal. Regresión logística
12. Series de tiempo, autorregresión, estacionalidad y ventas
13. Relaciones explicadas por modelos ARMA y por modelos ARIMA
14. Cadenas de Markov
15. Patrones de comportamiento. Aplicación de los modelos
16. Exportación de los modelos. Inserción en aplicaciones transaccionales para la toma de automatización de las decisiones

Módulo 3. Aplicaciones clásicas.
Objetivo:
El tercer módulo afina el uso de los conceptos, las técnicas y las herramientas mediante el desarrollo de dos grandes casos con volúmenes apreciables de datos. Para ambos casos, se contemplan situaciones en las que se procede en las labores de minería a partir de datos transaccionales. Asimismo, se construyen los dataware houses para los mismos y se analizan el comportamiento y las posibilidades de los modelos cuando los datos provienen de los repositorios consolidados. Los datos se toman de las problemáticas planteadas en las copas KDD.
Temario:
1. Análisis exploratorio de los datos
2. Establecimiento de conjeturas
3. Establecimiento de los modelos
4. Entrenamiento, prueba y validación
5. Validación estadística de los resultados
6. Aplicaciones "establecidas"
a. Análisis de potenciales acreditados
b. Valuación de bienes
c. Análisis y pronóstico de ventas
d. Eficiencia de campañas publicitarias
e. Prospección de venta cruzada

A personal responsable de las actividades directas de la formación del repositorio consolidado, o bien, de la elaboración de los modelos de minería de datos.

Se requieren conocimientos previos de bases de datos relacionales y uso de hoja electrónica.