091125PAEGFBI GESTION FINANCIERA Y BUSSINES INTELLIGENCE CON IA, ANALITICA Y GESTIÓN DE DATOS

DATA-DRIVEN Y ESTADÍSTICA APLICADA A NEGOCIOS

INTRODUCCIÓN AL ENFOQUE DATA-DRIVEN
Qué significa ser una empresa orientada a datos.
Rol de la estadística en las decisiones de negocio.
Casos reales: empresas que usan datos para anticipar riesgos y oportunidades.

FUNDAMENTOS DE ESTADÍSTICA APLICADA
SIN FÓRMULAS COMPLICADAS

Tipos de datos: cualitativos y cuantitativos.
Medidas descriptivas: promedio,
mediana, moda, varianza y desviación estándar.
Interpretación de resultados en contextos financieros y comerciales.
Uso de Excel para análisis exploratorio rápido.
PROBABILIDADES Y DISTRIBUCIONES CON
APLICACIÓN EMPRESARIAL
Probabilidades básicas aplicadas a ventas y riesgos.
Distribución normal y su uso en pronósticos de demanda.
Distribución binomial aplicada a riesgo de crédito y encuestas.
Casos prácticos con Excel y
visualización en Power BI.
VISUALIZACIÓN DE DATOS PARA
DECISIONES ESTRATÉGICAS
Principios de comunicación visual de datos.
Gráficos ejecutivos en Excel y Power BI.
Creación de dashboards simples para directivos.
Ejemplos: evolución de ventas, control de inventario, indicadores de
rentabilidad.

AUTOMATIZACIÓN INTELIGENTE CON
GOOGLE SHEETS Y APPS SCRIPT

FUNDAMENTOS DE GOOGLE SHEETS APLICADO A NEGOCIOS Diferencias clave entre Google Sheets y Excel.
Interfaz colaborativa y trabajo en la nube.
Ejemplos de uso empresarial (ventas, finanzas, marketing, RRHH).

FUNCIONES AVANZADAS PARA ANÁLISIS DE DATOS                       Uso de ARRAYFORMULA para automatizar
cálculos en rangos completos.
INDEX + MATCH: búsqueda avanzada de
datos (más flexible que VLOOKUP).
IMPORTRANGE: consolidación de datos
desde múltiples hojas o archivos.
REGEXEXTRACT y REGEXREPLACE:
limpieza y normalización de texto/datos.

TABLAS DINÁMICAS Y CONSULTAS CON QUERY

Creación y personalización de tablas dinámicas en Google Sheets.
Uso de QUERY para filtrar, agrupar y ordenar datos como en SQL.
Importación de datos externos (archivos CSV, Google Forms, otros Sheets).

INTRODUCCIÓN A GOOGLE APPS SCRIPT

Conceptos básicos: qué es Apps Script y cómo funciona.
Grabación y edición de scripts simples.
Ejemplos básicos: automatizar tareas repetitivas (formateo, cálculos, limpieza).
Conexión de Sheets con Gmail y Drive.

AUTOMATIZACIÓN DE PROCESOS EMPRESARIALES

Creación de disparadores automáticos (triggers: al abrir, al modificar, por tiempo).
Alertas automáticas por correo cuando se superan ciertos umbrales (ej. ventas bajas, costos altos).
Integración ligera con APIs externas (ej. datos de tipo de cambio o cotizaciones en línea).

GESTIÓN FINANCIERA Y PLANEAMIENTO EMPRESARIAL

INTRODUCCIÓN A LA GESTIÓN FINANCIERA
Rol de las finanzas en la empresa moderna.
Principales decisiones financieras: inversión, financiamiento y dividendos.
KPIs financieros clave para la gestión directiva.
Caso introductorio: análisis de una empresa con ratios básicos.

MATEMÁTICA FINANCIERA APLICADA A DECISIONES EMPRESARIALES                                                                                    Concepto de valor del dinero en el tiempo.
VPN (Valor Presente Neto), TIR (Tasa Interna de
Retorno) y COK (Costo de Oportunidad de Capital).
Aplicaciones en evaluación de proyectos de inversión.
Uso de funciones financieras en Excel y Copilot para
agilizar cálculos.
Caso práctico: evaluación de dos proyectos de
inversión con VPN y TIR.

ELABORACIÓN DE PRESUPUESTOS EMPRESARIALES

Conceptos y estructura de un presupuesto empresarial.
Presupuesto de ingresos, costos, gastos y flujo de efectivo.
Excel avanzado: tablas dinámicas, escenarios y plantillas de presupuestos.
Uso de Copilot en Excel para generar escenarios financieros automáticamente.
Caso práctico: construcción de un presupuesto anual integrado.

MODELOS CON VARIABLES CENSURADAS Y TRUNCADAS

Diferencia entre censura y truncamiento en microeconomía.
Modelo Tobit para datos censurados: especificación, estimación e interpretación.
Aplicación de modelos para datos truncados y su implementación en software estadístico.
Métodos para lidiar con datos censurados en ciencia de datos.

CONTROL DE COSTOS Y FLUJO DE CAJA PROYECTADO

Identificación y clasificación de costos.
Técnicas de control de costos y análisis de rentabilidad.
Construcción de flujo de caja proyectado en Excel.
Caso práctico: flujo de caja para evaluar la liquidez de un negocio.

SIMULACIÓN DE ESCENARIOS FINANCIEROS

Análisis de sensibilidad en Excel (What-If, Tablas de datos, Escenarios).
Uso de Solver para optimización financiera.
Copilot: generación automática de proyecciones y simulaciones.
Caso práctico: simulación de impacto en utilidades por variaciones en ventas y costos.

FINANZAS DIGITALES Y ANALÍTICA DE NEGOCIOS

FINANZAS DIGITALES Y KPIS EMPRESARIALES

El rol de la analítica digital en la gestión financiera.
Identificación de KPIs financieros clave: liquidez, rentabilidad, endeudamiento, eficiencia.
KPIs de gestión empresarial: ventas, rotación de inventario, churn de clientes.
Cómo definir indicadores relevantes según la industria.
Caso práctico inicial: selección de KPIs para una empresa real.

EXCEL COPILOT PARA REPORTES EJECUTIVOS

Introducción a Excel Copilot: qué es y cómo funciona la IA dentro de Excel.
Generación automática de tablas y resúmenes financieros.
Creación de reportes dinámicos con lenguaje natural.
Simulación de escenarios y proyecciones con Copilot.
Caso práctico: construir un “reporte de gerencia mensual” con Copilot en minutos.

POWER BI APLICADO A FINANZAS

Importación de datos financieros desde Excel y bases de datos.
Modelado de datos en Power BI para KPIs financieros.
Creación de gráficos avanzados: tendencias de ingresos, gastos, flujo de caja.
Segmentación por áreas de negocio, productos y clientes.
Uso de filtros y segmentadores para análisis interactivo.
Caso práctico: dashboard financiero con indicadores de rentabilidad y liquidez.

ANÁLISIS MULTIVARIADO DE SERIES TEMPORALES II

Modelos estructurales y de causalidad (Granger).
Identificación de shocks macroeconómicos mediante VAR estructural (SVAR).
Análisis de impulso-respuesta y descomposición de varianza en VAR.

BONUS: INTRODUCCIÓN BREVE A TABLEAU

Diferencias clave entre Tableau y Power BI.
Creación rápida de un reporte visual en Tableau.
Uso de Tableau Public para compartir dashboards online.
Mini caso: análisis visual de ventas con Tableau.

CASO INTEGRADOR FINAL
Construcción de un Dashboard Financiero Ejecutivo que incluya:
KPIs financieros y de gestión.
Reportes creados en Excel Copilot.
Visualización interactiva en Power BI.
Comparación con Tableau como alternativa de BI.

DATA STORYTELLING CON POWER BI Y TABLEAU

PRINCIPIOS DE STORYTELLING CON DATOS
El poder de contar historias con información.
Diferencia entre mostrar datos y comunicar insights.
Estructuras narrativas aplicadas a finanzas (problema → análisis → solución → impacto).
Storytelling para convencer: cómo adaptar el mensaje al público (ejecutivos, inversionistas, clientes).
Caso introductorio: cómo una empresa usó storytelling de datos para obtener inversión.
DISEÑO DE DASHBOARDS EJECUTIVOS
Conceptos clave: simplicidad, jerarquía visual, relevancia de KPIs.
Selección del tipo de gráfico adecuado según la historia.
Principios de diseño visual (colores, tipografía, énfasis).
Ejemplos de dashboards ejecutivos financieros y de negocio.
Ejercicio práctico: bocetado de un dashboard narrativo.

POWER BI PARA STORYTELLING INTERACTIVO

Creación de dashboards dinámicos orientados a la toma de decisiones.
Uso de bookmarks, drill-through y tooltips como elementos narrativos.
Inserción de visualizaciones que apoyan la narrativa (mapas, líneas de tiempo, matrices).
Creación de informes interactivos para comités ejecutivos.
Caso práctico: storytelling de rentabilidad y flujo de caja en Power BI.

TABLEAU PARA NARRATIVAS VISUALES DINÁMICAS

Construcción de historias con la función Story en Tableau.
Diseño de dashboards interactivos y encadenados.
Uso de storytelling para resaltar hallazgos financieros y de clientes.
Tableau Public: cómo compartir historias con stakeholders externos.
Caso práctico: análisis narrativo de ventas y riesgos en Tableau.

BUENAS PRÁCTICAS DE COMUNICACIÓN VISUAL                             Qué hacer y qué evitar en visualización financiera.
Uso del color para resaltar hallazgos clave.
Cómo presentar indicadores de manera persuasiva.

PROGRAMACIÓN APLICADA CON PYTHON Y NOTEBOOKS

INTRODUCCIÓN PRÁCTICA A PYTHON EN ENTORNOS DE NOTEBOOKS
¿Por qué Python es esencial en analítica y finanzas?
Diferencias entre Google Colab y Jupyter Notebooks.
Instalación de librerías y primeros pasos en notebooks.
Sintaxis básica: variables, operadores, estructuras de control.
Ejercicio inicial: crear un notebook que procese datos financieros simples.

MANEJO Y PREPARACIÓN DE DATOS CON PANDAS Y NUMPY

Importación de datos (Excel, CSV, SQL, Google Sheets).
Exploración de datasets financieros: describe(), head(), info().
Limpieza de datos: valores nulos, duplicados, formatos de fecha.
Creación de nuevas variables (ejemplo: margen de utilidad, ROI).
Operaciones con numpy: cálculos matriciales, estadísticas básicas, promedios móviles.
Caso práctico: preparar un dataset de ventas para análisis posterior.

VISUALIZACIÓN DE DATOS CON MATPLOTLIB Y SEABORN

CASO INTEGRADOR FINAL
Gráficos básicos en matplotlib (líneas, barras, dispersión).
Personalización de gráficos: títulos, ejes, colores.
Seaborn para visualizaciones avanzadas (mapas de calor, boxplots, gráficos combinados).
Creación de dashboards visuales básicos en notebooks.

CASOS PRÁCTICOS DE PROGRAMACIÓN APLICADA A
FINANZAS Y NEGOCIOS PREDICCIÓN DE VENTAS:
Caso práctico: análisis visual de ingresos y costos
a lo largo del tiempo.
Limpieza y preparación de datos de ventas
históricas.
Modelos de regresión lineal en Python.
Visualización de resultados y validación.
Análisis de costos y márgenes:
Cálculo automático de costos variables y fijos.
Estimación de márgenes de utilidad por producto.
Proyección de flujo de caja:
Construcción de un modelo simple en Python.
Visualización del flujo de caja mensual proyectado.
Integración con Power BI para visualizar
resultados.

CASO INTEGRADOR FINAL
Desarrollo de un notebook completo en Python que incluya:
o Importación y limpieza de datos.
o Análisis con pandas/numpy.
o Visualización de KPIs financieros.
o Un caso aplicado a ventas, costos o flujo de caja.

Presentación del notebook como reporte técnico – financiero.

GESTIÓN DE DATOS EMPRESARIALES CON SQL + NOSQL

INTRODUCCIÓN A SQL PARA NEGOCIOS
Concepto de bases de datos relacionales.
Tablas, registros y relaciones aplicadas a finanzas.
Consultas básicas: SELECT, WHERE, ORDER BY.
Caso práctico: extraer listado de clientes y sus saldos desde una base SQL.

CONSULTAS INTERMEDIAS Y ANÁLISIS DE DATOS

JOINS (INNER, LEFT, RIGHT, FULL): integración de información de múltiples tablas.
Funciones agregadas: SUM, AVG, COUNT, MAX, MIN.
Agrupación y filtrado con GROUP BY y HAVING.
Creación de KPIs financieros en SQL (ventas totales, cuentas por cobrar, márgenes).
Caso práctico: ranking de ventas por producto y rentabilidad por cliente.

APLICACIONES DE SQL EN FINANZAS Y RIESGOS
Ranking de clientes según facturación y frecuencia de compra.
Detección de morosidad y clientes con alto riesgo de incumplimiento.
Generación de reportes de flujo de caja y cuentas pendientes.
Caso práctico: reporte de clientes morosos con indicadores de riesgo.

CONEXIÓN DE SQL CON PYTHON Y POWER BI

Importación de datos SQL en Python con pandas.
Uso de Python para limpieza y preprocesamiento de datos financieros.
Conexión SQL → Power BI para visualización directa.
Caso práctico: pipeline SQL → Python → Power BI para crear un dashboard de ventas.

INTRODUCCIÓN A NOSQL Y BIGQUERY

Diferencias entre SQL y NoSQL: cuándo usar cada uno.
Introducción a MongoDB: documentos, colecciones y consultas básicas.
Uso de MongoDB en análisis de datos no estructurados (reseñas, comentarios, encuestas).
Introducción a Google BigQuery como solución de analítica cloud.

MACHINE LEARNING Y RIESGOS FINANCIEROS

FUNDAMENTOS DE MACHINE LEARNING APLICADO A NEGOCIOS
¿Qué es Machine Learning y cómo transforma las finanzas?
Tipos de aprendizaje: supervisado vs. no supervisado.
Flujo de trabajo en ML: recolección, limpieza, entrenamiento, validación, despliegue.
Aplicaciones reales: scoring crediticio, detección de fraudes, pronóstico de ventas.
Caso introductorio: pipeline básico de ML con dataset financiero en Python.

MODELOS DE REGRESIÓN PARA FORECASTING FINANCIERO

Regresión lineal simple y múltiple.
Predicción de ventas, ingresos y demanda.
Evaluación de modelos: R2, error cuadrático medio (RMSE).
Introducción a regresión logística aplicada a negocios.

MODELOS DE CLASIFICACIÓN: RIESGO DE CRÉDITO Y SEGMENTACIÓN

Clasificación supervisada: árboles de decisión, Random Forest, regresión logística.
Variables típicas en scoring crediticio (edad, ingresos, historial, morosidad).
Segmentación de clientes en función de su rentabilidad y riesgo.
Métricas de clasificación: precisión, recall, matriz de confusión, AUC-ROC.
Caso práctico: modelo de riesgo de crédito para detectar clientes morosos.

SERIES DE TIEMPO APLICADAS A FINANZAS
Introducción a series de tiempo: tendencia, estacionalidad y ruido.
Modelos ARIMA y SARIMA aplicados a inflación y tipo de cambio.
Modelos más avanzados: Prophet de Meta (predicción de series temporales con Python).
Pronóstico de precios de activos financieros y riesgos asociados.
Caso práctico: predicción de tipo de cambio con Python y validación gráfica en Power BI.

IA GENERATIVA Y AUTOMATIZACIÓN EMPRESARIAL

INTRODUCCIÓN A LA IA GENERATIVA APLICADA A NEGOCIOS
Qué es IA generativa y cómo se diferencia del ML tradicional.
Modelos más usados: ChatGPT (OpenAI), Gemini (Google), Claude (Anthropic).
Casos de uso en finanzas: resúmenes ejecutivos, análisis de riesgo, generación de escenarios.
Ejemplos de aplicaciones en banca, retail y empresas de servicios.

USO DE CHATGPT, GEMINI Y CLAUDE EN FINANZAS Y NEGOCIOS

Creación de promptings efectivos para finanzas y BI.
Generación de reportes ejecutivos en segundos (análisis de estados financieros, KPIs, riesgos).
Generación de documentación automática: minutas, informes, presentaciones.
Comparativa: cuándo usar ChatGPT, Gemini o Claude.
Caso práctico: generación de un análisis DAFO financiero con IA generativa.

AUTOMATIZACIÓN DE REPORTES FINANCIEROS EJECUTIVOS CON IA

Conexión de IA con Excel para generar y explicar reportes.
Automatización de análisis de estados financieros con Copilot + ChatGPT.
Creación de resúmenes narrativos de dashboards (Power BI/Tableau).
Caso práctico: generación de un reporte mensual financiero con narrativa automatizada por IA.

STORYTELLING DE DATOS CON IA

Cómo transformar dashboards en presentaciones ejecutivas con IA.
Uso de IA para crear presentaciones persuasivas (PowerPoint, Canva + IA).
Aplicación de técnicas de storytelling: mensajes claros, conclusiones accionables.
Caso práctico: storytelling de KPIs financieros con soporte de IA.

INTEGRACIÓN DE IA CON EXCEL, SQL Y APIS

Conexión de IA con Excel Copilot para análisis avanzado.
Integración con SQL: consulta, análisis y resumen de bases de datos con IA.
Uso de APIs de OpenAI y Google para automatizar procesos.
Caso práctico: pipeline de datos SQL → Power BI → IA para reporte automático.

PROYECTO FINAL INTEGRADOR

Desarrollo de un entregable aplicado:
Dashboard financiero (SQL + Power BI).
Modelo predictivo (Python + ML).
Reporte automatizado con IA generativa.
Presentación tipo demo ejecutiva.