290326GDBDTA PROGRAMA DE ALTA ESPECIALIZACIÓN INTERNACIONAL EN: INTELIGENCIA DE NEGOCIOS, GESTIÓN DE DATOS, BIG DATA E IA APLICADA

I. EXCEL BI & AUTOMATIZACIÓN ESTRATÉGICA

HERRAMIENTAS: MS EXCEL BI.
Objetivo:
Dominar Excel como herramienta de
Business Intelligence para analizar, modelar
y automatizar datos orientados a la toma
de decisiones estratégicas.
1. Fundamentos e Introducción a Excel BI

• Rol de Excel en el ecosistema de Business Intelligence
• Diferencia entre Excel tradicional y Excel BI
• Buenas prácticas en estructuración de datos
• Tablas estructuradas y formato inteligente
• Validación y limpieza básica de datos
• Introducción al modelo de datos
  2. Power Query – ETL en Excel
• Importación desde múltiples fuentes (CSV, Excel, SQL, Web)
• Limpieza y transformación de datos
• Columnas condicionales y cálculos personalizados
• Consolidación de múltiples archivos
• Automatización del proceso de carga

Ejercicio práctico: Creación de flujos ETL reutilizables

3. Power Pivot y Modelo de Datos

• Relaciones entre tablas
• Diseño tipo DataMart en Excel
• Introducción a DAX
• Funciones clave: SUM, CALCULATE, FILTER, RELATED
• Time Intelligence básico

Ejercicio práctico: Construcción de modelos analíticos empresariales.

4. Funciones Avanzadas para Análisis

• BUSCARX
• INDICE + COINCIDIR
• SUMAR.SI.CONJUNTO
• CONTAR.SI.CONJUNTO
• Tablas dinámicas avanzadas
• Segmentadores interactivos

5. Análisis Estratégico y Optimización

• Análisis What-If
• Tablas de sensibilidad
• Evaluación de escenarios
• Solver aplicado a maximización de utilidades y reducción de costos

6. Forecasting y Proyecciones

• Tendencias y estacionalidad
• Funciones de pronóstico
• Regresión básica
• Proyección de ventas y presupuestos

7. Dashboards Ejecutivos

• Diseño profesional y visualización efectiva
• KPIs estratégicos
• Storytelling con datos
• Interactividad y navegación

8. Automatización con Macros

• Grabación de macros
• Introducción a VBA
• Automatización de reportes
• Botones y procesos automáticos

II. SQL SERVER PARA ANÁLISIS Y GESTIÓN DE DATOS
Objetivo
Desarrollar competencias en diseño, administración, consulta y optimización de bases de datos con SQL Server, aplicadas a entornos de Business Intelligence y gestión empresarial de datos.
1. Fundamentos de Gestión de Base de Datos

• Rol estratégico de los datos en la organización
• ¿Qué es un Sistema de Gestión de Base de Datos (SGBD)?
• Bases de datos relacionales vs NoSQL
• Ciclo de vida de los datos
• Gobierno y calidad de datos
• Integridad, consistencia y disponibilidad
• Conceptos de OLTP vs OLAP
• Buenas prácticas en gestión empresarial de datos

2. Fundamentos de SQL Server

• Arquitectura de SQL Server
• Componentes principales (Motor de base de datos, SSMS, servicios)
• Instalación y configuración básica
• Creación y administración de bases de datos
• Tipos de datos en SQL Server
• Esquemas y objetos (tablas, vistas, procedimientos)
• Gestión básica de instancias

3. Fundamentos de Bases de Datos Relacionales

• Modelo relacional
• Tablas, campos y tipos de datos
• Claves primarias y foráneas
• Relaciones 1:1, 1:N, N:N
• Integridad referencial
• Restricciones y reglas de negocio

4. Modelado Entidad–Relación y Normalización

• Diseño conceptual, lógico y físico
• Diagrama Entidad–Relación (DER)
• Identificación de entidades y atributos
• Primera, Segunda y Tercera Forma Normal
• Redundancia y anomalías
• Buenas prácticas de modelado

5. Diseño de DataMart para Business Intelligence

• Diferencia entre OLTP y Data Warehouse
• Modelo estrella
• Tablas de hechos y dimensiones
• Granularidad
• Claves sustitutas
• Preparación de datos para análisis en Power BI

6. Consultas SQL Intermedias y Avanzadas

• SELECT avanzado
• WHERE, GROUP BY, HAVING
• JOIN (INNER, LEFT, RIGHT, FULL)
• Subqueries
• Common Table Expressions (CTE)
• Vistas

7. Funciones Analíticas y de Ventana

• ROW_NUMBER
• RANK y DENSE_RANK
• NTILE
• OVER (PARTITION BY)
• Cálculos acumulados
• Comparación entre periodos

8. Optimización y Rendimiento

• Índices (Clustered y Non-Clustered)
• Planes de ejecución
• Optimización de consultas
• Estadísticas
• Buenas prácticas en diseño y rendimiento

9. Seguridad y Control de Accesos

• Usuarios y roles
• Permisos (GRANT, REVOKE, DENY)
• Seguridad por esquemas
• Principios de seguridad empresarial
• Introducción a cifrado

10. Control de Transacciones y Concurrencia

• BEGIN TRANSACTION
• COMMIT y ROLLBACK
• Niveles de aislamiento
• Bloqueos y concurrencia
• Integridad en entornos multiusuario

11. Introducción a Arquitectura de Datos Empresarial

• Data Warehouse
• DataMart
• Data Lake (conceptual)
• Flujo de datos en BI
• Rol del Data Engineer
• Integración con herramientas analíticas

III. POWER BI PROFESIONAL
Objetivo:
Desarrollar competencias avanzadas en modelado, análisis y visualización de datos con Power BI, orientadas a la toma de decisiones estratégicas y construcción de soluciones empresariales de Business
Intelligence.

1. Fundamentos e Introducción a Power BI

• ¿Qué es Business Intelligence?
• Rol de Power BI en el ecosistema de datos
• Diferencia entre Excel BI y Power BI
• Componentes de Power BI:
  • Power BI Desktop
  • Power BI Service
  • Power BI Mobile
• Arquitectura básica de Power BI
• Flujo de datos: desde fuente hasta dashboard
• Licenciamiento y entornos empresariales

2. Conexión y Preparación de Datos (Power Query)

• Conexión a múltiples fuentes:
  • Excel
  • SQL Server
  • Web
  • CSV
• Limpieza y transformación de datos
• Columnas personalizadas
• Combinación y anexado de tablas
• Tipos de datos y optimización
• Buenas prácticas en ETL
• Ejercicio práctico: Construcción de modelo de datos limpio y estructurado.

3. Modelado de Datos y Diseño de DataMart

• Concepto de modelo estrella
• Tablas de hechos y dimensiones
• Granularidad
• Relaciones y cardinalidad
• Dirección de filtros
• Buenas prácticas en modelado
• Diferencia entre modelo relacional y modelo analítico
• Ejercicio práctico: Diseño de DataMart optimizado para análisis empresarial.

4. DAX Intermedio y Cálculo de Métricas Medidas vs columnas calculadas

• CALCULATE y contexto de filtro
• FILTER, ALL, ALLEXCEPT
• Variables en DAX
• Cálculos acumulativos
• Métricas dinámicas
• Ejercicio práctico: Construcción de indicadores estratégicos personalizados.

5. Time Intelligence

• Tablas calendario
• TOTALYTD, TOTALMTD, TOTALQTD
• SAMEPERIODLASTYEAR
• DATEADD
• Comparación interanual
• Variaciones porcentuales
• Ejercicio práctico: Análisis temporal empresarial (ventas, crecimiento, tendencias).

6. KPIs Ejecutivos y Métricas Estratégicas

• Definición de KPI empresarial
• Diseño de indicadores financieros
• Margen, rentabilidad, crecimiento
• Metas y semáforos de desempeño
• Benchmarking y comparación
• Ejercicio práctico: Construcción de tablero de control ejecutivo.

7. UX, Visualización y Storytelling

• Principios de diseño visual
• Selección correcta de gráficos
• Uso de colores estratégicos
• Jerarquía visual
• Segmentadores y navegación
• Diseño de dashboards interactivos
• Storytelling con datos
• Ejercicio práctico: Creación de dashboards profesionales listos para dirección.

8. Automatización y Actualización de Datos

• Actualización automática
• Programación en Power BI Service
• Configuración de Gateway
• Gestión de datasets
• Buenas prácticas en entornos productivos

9. Publicación y Gobierno en Power BI Service

• Publicación de reportes
• Creación de workspaces
• Roles y seguridad (RLS)
• Compartir dashboards
• Control de acceso
• Gobernanza básica en Power BI
• Ejercicio práctico: Implementación en entorno empresarial real.

NIVEL 2: DATA SCIENCE & ANALÍTICA AVANZADA

I. PYTHON PARA ANÁLISIS Y MACHINE LEARNING
Objetivo
Desarrollar competencias en programación con Python orientadas al análisis de datos, modelado predictivo y aplicación de Machine Learning en entornos empresariales.
1. Fundamentos de Python para Análisis de Datos

• Introducción a Python
  • ¿Qué es Python y por qué es clave en Data Science?
  • Instalación de Anaconda
  • Uso de Jupyter Notebook y VS Code
  • Estructura de un script en Python
• Fundamentos del Lenguaje
  • Variables y tipos de datos
  • Operadores
  • Listas, tuplas y diccionarios
  • Condicionales (if, else)
  • Bucles (for, while)
  • Funciones
  • Manejo de errores

2.Librerías Fundamentales para Análisis

• NumPy
  • Arreglos y operaciones vectorizadas
  • Operaciones matemáticas
  • Manipulación eficiente de datos
• Pandas
  • Series y DataFrames
  • Importación desde CSV, Excel, SQL
  • Filtrado y selección
  • Agrupaciones (groupby)
  • Transformaciones
  • Merge y join
  • Manejo de fechas

3. Limpieza y Preparación de Datos

• Identificación de valores nulos
• Tratamiento de outliers
• Conversión de tipos de datos
• Normalización y estandarización
• Codificación de variables categóricas
• Feature scaling

4.Análisis Exploratorio de Datos (EDA)

• Estadística descriptiva
• Visualización con Matplotlib y Seaborn
• Distribuciones
• Correlaciones
• Análisis bivariado
• Detección de patrones

5. Fundamentos de Machine Learning

• ¿Qué es Machine Learning?
• Tipos de aprendizaje: supervisado y no supervisado
• Flujo de un proyecto ML
• División de datos (train/test)
• Validación cruzada
• Overfitting vs Underfitting

6. Modelos Supervisados

• Regresión
  • Regresión Lineal
  • Métricas: MAE, RMSE, R²
• Clasificación
  • Regresión Logística
  • Árboles de Decisión
  • Random Forest
• Aplicación en:
  • Predicción de ventas
  • Churn de clientes
  • Riesgo crediticio

7. Clustering y Segmentación

• K-Means
• DBSCAN
• Interpretación de clusters
• Aplicaciones en segmentación de clientes

8. Evaluación de Modelos

• Matriz de confusión
• Accuracy, Precision, Recall
• ROC-AUC
• Cross Validation
• Ajuste de hiperparámetros

9. Feature Engineering

• Creación de variables derivadas
• Transformaciones logarítmicas
• Selección de variables
• Reducción de dimensionalidad (introducción a PCA)

10. Casos Empresariales Reales
Desarrollo práctico de:
✔ Modelo de predicción de ventas
✔ Modelo de riesgo crediticio
✔ Segmentación de clientes

II. R STUDIO PARA ANÁLISIS ESTADÍSTICO AVANZADO
Objetivo
Desarrollar competencias en análisis estadístico avanzado y modelado predictivo utilizando R y RStudio, aplicadas a la toma de decisiones estratégicas empresariales.

1. Fundamentos de R y RStudio

• Introducción al Ecosistema R
  • ¿Qué es R y por qué es clave en estadística y analítica avanzada?
  • Instalación de R y RStudio
  • Interfaz de RStudio (scripts, consola, environment, plots)
  • Uso de paquetes (install.packages, library)
• Fundamentos del Lenguaje
  • Tipos de datos (numeric, character, factor, logical)
  • Vectores, matrices, listas y data frames
  • Operadores y estructuras condicionales
  • Bucles y funciones
  • Importación de datos (CSV, Excel, SQL)

2. Manipulación y Limpieza de Datos (dplyr & tidyr)

• Filtrado y selección de variables
• Mutate() y creación de nuevas variables
• Group_by() y summarise()
• Joins (left_join, inner_join)
• Manejo de datos faltantes
• Transformación de variables
• Creación de pipelines con %>%

3. Estadística Aplicada a Negocios

• Estadística descriptiva
• Medidas de tendencia central y dispersión
• Distribuciones de probabilidad
• Intervalos de confianza
• Pruebas de hipótesis (t-test, ANOVA, Chi-cuadrado)
• Correlación y causalidad
• Ejercicio práctico: Aplicación en análisis financiero, marketing y operaciones.

4. Visualización Profesional con ggplot2

• Estructura de ggplot
• Gráficos de barras, líneas y dispersión
• Histogramas y boxplots
• Personalización avanzada (themes, escalas)
• Visualización de tendencias y comparativos
• Storytelling estadístico
• Ejercicio práctico: Construcción de reportes visuales ejecutivos.

5. Modelos Predictivos

• Regresión Lineal Múltiple
• Supuestos del modelo
• Interpretación de coeficientes
• Evaluación del ajuste (R², RMSE)
• Multicolinealidad
• Regresión Logística
• Probabilidad y odds
• Interpretación de coeficientes
• Curva ROC
• Aplicación en clasificación empresarial
• Ejercicio práctico: predicción de ventas, riesgo crediticio, churn.

6. Series de Tiempo y Forecasting

• Componentes de series temporales (tendencia, estacionalidad)
• Modelos ARIMA
• Suavizamiento exponencial
• Modelos ETS
• Evaluación de pronósticos
• Comparación de modelos
• Ejercicio práctico: Aplicación en proyección de demanda y presupuestos

7. Machine Learning con R (Introducción)

• Introducción a caret
• K-Means
• Random Forest
• Validación cruzada
• Métricas de evaluación
• Ejercicio práctico: Integración estadística + ML.

8. Automatización con R Markdown

• Estructura de R Markdown
• Integración de código y resultados
• Generación de reportes en PDF, Word y HTML
• Automatización de informes empresariales
• Ejercicio práctico: Generación automática de reportes ejecutivos.

9. Forecasting & Pricing Analytics

• Elasticidad de demanda
• Modelos ARIMA
• Simulación Monte Carlo
• Optimización de precios
• Modelos de rentabilidad
• Análisis de riesgo empresarial

NIVEL 3: GESTIÓN DE BASE DE DATOS & BIG DATA

I. ARQUITECTURA Y GESTIÓN DE BASE DE DATOS EMPRESARIAL HERRAMIENTAS: SQL SERVER, POWER BI, PYTHON
Objetivo
Formar profesionales capaces de diseñar, implementar y gobernar arquitecturas de datos empresariales modernas, garantizando integración, calidad, seguridad, trazabilidad y alineación estratégica con el negocio
1. Arquitectura de Datos Moderna

• Evolución: Legacy → Cloud → Lakehouse
• OLTP vs OLAP
• Data Lake, Data Warehouse y Lakehouse
• Arquitectura en capas (Ingesta, Procesamiento, Consumo)
• Batch vs Streaming
• Introducción a Data Mesh

Ejercicio Práctico: Diseñar arquitectura alineada al negocio.

Data Warehouse y DataMart

• Concepto y capas del DWH
• ETL vs ELT
• Integración de fuentes
• DataMart por área funcional
• KPIs y métricas empresariales
• Historificación (SCD)

Ejercicio Práctico: Construir modelo analítico corporativo.

Modelado Dimensional

• Tabla de hechos y dimensiones
• Granularidad
• Claves sustitutas
• Modelo Estrella
• Modelo Copo de Nieve
• Ejercicio Práctico: Diseñar esquemas optimizados para

Gobernanza y Calidad de Datos

• Roles (Data Owner, Steward)
• Políticas y estándares
• Catálogo y metadatos
• Dimensiones de calidad (exactitud, completitud, consistencia)
• Monitoreo y controles automáticos

Ejercicio Práctico: Implementar marco de gobierno corporativo

II. BIG DATA & DATA ENGINEERING FUNDAMENTALS

HERRAMIENTAS: Apache Spark, Data Lake, SQL Server, Power Bi y Python
OBJETIVO:
Desarrollar en el participante las competencias fundamentales para comprender, diseñar y ejecutar procesos básicos de ingeniería de datos en entornos Big Data, integrando almacenamiento masivo, procesamiento distribuido y análisis empresarial.

1.  Fundamentos de Big Data y su Ecosistema

• Concepto de Big Data (5V)
• Evolución de arquitecturas tradicionales a entornos distribuidos
• Componentes del ecosistema (almacenamiento, procesamiento, orquestación, consumo)
• Rol del Data Engineer en la organización
• Ejercicio Práctico: Comprender cómo funciona una plataforma Big Data empresarial.

2.Data Lake vs Data Warehouse (y enfoque moderno)

• Diferencias estructurales y estratégicas
• Tipos de datos (estructurados, semiestructurados, no estructurados)
• Casos de uso empresariales
• Introducción al enfoque Lakehouse
• Arquitectura moderna de datos (visión integrada)
• Ejercicio Práctico: Elegir correctamente la estrategia de almacenamiento según el negocio.

3. Procesamiento de Datos: Batch vs Streaming

• Procesamiento por lotes (batch)
• Procesamiento en tiempo real (streaming)
• Arquitecturas orientadas a eventos
• Casos empresariales: retail, finanzas, monitoreo operativo

Ejercicio Práctico: Identificar cuándo aplicar procesamiento masivo o en tiempo real.

4.  Procesamiento Distribuido (Conceptual + Práctico)

• Fundamentos de computación distribuida
• Clúster, nodos y paralelismo
• Concepto de particionamiento
• Introducción a MapReduce
• Escalabilidad horizontal

5.  Introducción a PySpark (Aplicado)

• ¿Qué es Apache Spark?
• Spark como motor distribuido
• DataFrames en PySpark
• Transformaciones y acciones
• Lectura y escritura en Data Lake
• Ejercicios prácticos básicos
• Ejercicio Práctico: Ejecutar transformaciones simples sobre grandes volúmenes de datos.

8.  Arquitectura Moderna de Datos y Data Pipelines

• Arquitectura en capas (Ingesta → Procesamiento → Consumo)
• ETL vs ELT en entornos Big Data
• Data Pipelines
• Integración entre Data Lake y Data Warehouse
• Buenas prácticas de diseño escalable
• Ejercicio Práctico: Diseñar flujo completo de datos empresarial.

9. Azure para BI, Big Data y Cloud Data Engineering

• Azure SQL
• Azure Storage
• Azure Data Factory (ETL en nube)
• Introducción a Azure Synapse
• Arquitectura cloud
• Seguridad y control de accesos
• Integración con herramientas BI
• Escalabilidad empresarial

NIVEL 4: INTELIGENCIA ARTIFICIAL APLICADA A NEGOCIOS

I. IA GENERATIVA Y AUTOMATIZACIÓN EJECUTIVA HERRAMIENTAS: POWER BI, POWER AUTOMATE, CHATGPT, COPILOT Y PYTHON
OBJETIVO:
Capacitar a profesionales y directivos para integrar estratégicamente la IA generativa en la gestión empresarial, optimizando la toma de decisiones, automatizando procesos clave y aumentando la
productividad organizacional mediante el uso inteligente de asistentes y herramientas de IA
1. Fundamentos de IA Generativa

• Qué es IA generativa y cómo funciona
• Modelos de lenguaje (LLMs)
• Casos de uso empresariales
• Riesgos, ética y gobernanza

2.Prompt Engineering Estratégico

• Estructura de prompts efectivos
• Técnicas: rol, contexto, restricciones y formato
• Optimización de resultados
• Diseño de prompts para análisis, reportes y automatización.

Ejercicio Práctico: Diseñar instrucciones estratégicas para uso ejecutivo.

3.ChatGPT Empresarial

• Uso corporativo seguro
• Generación de reportes ejecutivos
• Análisis de información
• Redacción estratégica
• Apoyo en toma de decisiones
• Ejercicio Práctico: Integrar IA como asistente ejecutivo.

4.Copilot Aplicado a BI

• Copilot en análisis de datos
• Generación automática de insights
• Creación de medidas y fórmulas
• Interpretación de dashboards
• Ejercicio Práctico: Acelerar análisis y visualización con IA.

5. Automatización Documental

• Generación automática de informes
• Creación de propuestas comerciales
• Automatización de actas y reportes
• Plantillas inteligentes
• Ejercicio Práctico: Reducir tiempo operativo administrativo

II. MACHINE LEARNING AVANZADO & DEEP LEARNING
HERRAMIENTAS: Python, Scikit-learn, TensorFlow/Keras o PyTorch, Statsmodels, Git y Docker
OBJETIVO:
Formar profesionales con capacidad para diseñar, optimizar e implementar modelos avanzados de Machine Learning y Deep Learning, aplicando técnicas rigurosas de validación, ajuste y despliegue en entornos empresariales reales.

1. Validación y Evaluación Avanzada de Modelos

• K-Fold Cross Validation
• Stratified K-Fold
• Time Series Cross Validation
• Bias vs Variance
• Overfitting y Underfitting
• Métricas avanzadas (ROC, AUC, F1, RMSE)

2.Optimización de Hiperparámetros

• Grid Search
• Random Search
• Búsqueda Bayesiana (conceptual)
• Early Stopping
• Regularización (L1, L2)

3. Redes Neuronales – MLP (Multilayer Perceptron)

• Arquitectura de redes neuronales
• Funciones de activación (ReLU, Sigmoid, Tanh)
• Forward propagation y Backpropagation
• Ajuste de pesos
• Implementación básica con librerías modernas

4. Introducción a Deep Learning

• Diferencia entre ML tradicional y Deep Learning
• Arquitecturas profundas
• Redes CNN y RNN (visión conceptual)
• Casos de uso empresariales
• Ejercicio Práctico: Aplicaciones del aprendizaje profundo.

5. Series de Tiempo Avanzadas

• Modelos autoregresivos avanzados
• Feature engineering temporal
• Validación temporal
• Modelos híbridos ML + estadísticos
• Forecasting empresarial
• Ejercicio Práctico: Construir modelos predictivos robustos para datos temporales.

6. Introducción a Modelos Preentrenados

• Concepto de Transfer Learning
• Fine-tuning básico
• Uso de modelos preentrenados en visión o NLP
• Aplicaciones empresariales
• Ejercicio Práctico: Aprovechar modelos existentes para reducir costos y tiempo.

7. Implementación Básica en Entorno Empresarial

• Pipeline de Machine Learning
• Versionamiento de modelos
• Concepto de MLOps
• Monitoreo de desempeño
• Despliegue básico (API o batch)
• Ejercicio Práctico: Llevar un modelo desde desarrollo hasta entorno productivo