Uno de los objetivos del curso es que mediante un “mini workshop”, la audiencia aprende a determinar y comunicar las métricas. También se pretende mejorar esto con los conceptos más básicos de Analytics y predicciones, enlazando de esta forma las visiones de pasado y de futuro de los Datos de la empresa.

No se requieren habilidades informáticas ni conocimiento exhaustivo de idioma Inglés. Es suficiente que se trate de un estudiante avanzado o de un profesional con algún contexto donde en su trabajo cotidiano sea habitual chequear datos, definir criterios, validar proyecciones o fomentar la actividad comercial.

Se entregará Certificado de Participación a quienes hayan concurrido al 75% de las clases.

Para aquellos que cumplan con el régimen de aprobación previsto, se les extenderá un Certificado Académico de Aprobación expedido por la Facultad de Ingeniería de la UM.

Si se requiere se puede acceder a un tutor con costo adicional.

La modalidad del curso será en formato online (síncrono).

Módulo 1 Business Inteligence "duro"

• Definiciones iniciales. Ejemplo en retail.
• Prehistoria: el mítico encuentro en Dartmouth
• Paper de Luhn.
• Tipos de almacenamiento y de orden.
• Kinball vs Inmon
• ¿Dónde almacenar Data?
• Tipos de Data. Cualitativa vs cuantitativa.
• Ecosistemas de información.
• Tamaños de la información. Big Data vs Small Data.
• ¿Qué es un modelo lógico? Ejemplo de diversos verticales.
• Descentralización y aspectos iniciales de Cloud.
• Cómo Andy Jassy simplificó la oferta de Cloud en AWS.
• AWS vs GCP vs Azure
• Cómo elegir una Nube. Ejercicio práctico.

Módulo 2 Business Inteligence en movimiento

• KPI, definción, ejemplos de "lagging indicators".
• Reportes, tableros, dashboards.
• Buenas preguntas de BI el contexto.
• Limpieza de Datos
• El caso "Titanic"de Kaggle.
• Bi es retrovisor, Analytics y DS miran hacia el futuro
• Otros ejemplos: detección de asteroides. (PHO)
• Cómo se define el peligro.
• Workshop sobre definición de KPIs.
• Más tipos de data: volumen, tiempo real, fuentes.
• ¿Dónde comienza el enganche con Analytics?
• ¿Dónde comienza la incerteza de Data Science?
• Modelos y predicciones.
• El umbral donde comienza Machine Learning.

Módulo 3 Data Literacy básica

• Iteraciones sobre conocimiento y poder.
• Hippo es el mayor riesgo para la empresa.
• 5 preguntas para testear DL en empresas.
• Skills imprescindibles para cuestionar data.
• Ejercicio: El tanque de Tarragona
• Galton y sus bueyes
• Promedios: la medida estadística más básica.
• Preguntas que uno se hace en el ecosistema de Datos.
• Astra Zéneca y coágulos: problemas en Pharma.
• Estimaciones rápidas y problemas de Fermi.
• Como responder preguntas. Metodología STAR.
• Sabiduría de multitudes: Hans Rosling y James Surowiecki.
• Interpretación vs hechos.
• Conexión con Data Governance.
• Fallas en la mirada crítica ante los Datos.
• Si el dato está mal no hay mirada crítica.
• Primeras visualizaciones.
• Correlación y casualidad
• Pearson y ejemplos de Correlación. Chequeo de Hicks.
• Abraham Wald: cómo ver lo que no está allí.
• Albert Cairo y Edward Tufte: gráficos engañosos.

Módulo 4 Correlaciones, Modelos y Opiniones

• Cadena del valor del dato. Juniors vs expertos.
• Bias o asimetrías en Data.
• Rol del experto: Chris Anderson vs modelos.
• Sabrina Hossenfelder y Richard Feynman.
• "El primer engañado es uno mismo".
• Algoritmos: ¿armas de destrucción matemática?
• Disidencia ante el experto: video de Chernobyl
• Tips para el jefe. Cómo crear un sano esceptisismo.
• Más ejemplos sobre modelos.
• Ejemplos en Excel: marathones y curvas S
• Predicciones e incerteza.
• Conceptos más avanzados de Estadística.
• Outliers. xkcd. Fórmula. Box plots.
• Ejemplo del esquiador.
• Extensión de outliers en redes sociales y Tinder.
• Cómo gestionar la incerteza en Datos.
• Cómo reciclar conocimiento útil.
• Puja en la organización: la empresa bimodal.
• Ejemplos de transformación digital.
• Invirtiendo la cadena de valor del Dato.
• Ejemplos de distintas industrias.

Daniel Collico Savio, estudió Física en la Universidad de Buenos Aires. Con posgrados de Derecho de las Telecomunicaciones (UBA) y de Negocios (UCA).

A lo largo de toda su trayectoria ha publicado notas sobre negocios y tecnología en diarios (La Nación), portales del sector (Ahciet) y revistas de cultura (V de Vian). Desde hace unos doce años se ha dedicado a los negocios de Datos, en particular en empresas de Contenidos (Qubit, Grey Juice Lab), Analytics (Teradata) o Data Science (actualmente como Partner en Alphazetta).

Su interés actual es ayudar a las empresas a mejorar su rentabilidad colaborando a crear una cultura donde se respete y valore el Dato. Con ese objetivo ha diseñado unos 500 cursos de Data Literacy, BI, Analytics y Data Science para unos 30 clientes corporativos y académicos