MIIA - Maestría en Inteligencia Analítica para la Toma de Decisiones

El curso se enfoca en el trabajo autónomo de los estudiantes alrededor del proceso de identificación de la problemática, el análisis y la formulación de la propuesta para el proyecto práctico de grado. Así mismo, se espera que el estudiante prepare las lecturas asignadas, dado que al inicio de algunas sesiones se realizarán comprobaciones de lectura. El desarrollo del curso estará acompañado por conferencistas expertos en el campo de Analytics, que incluirán dentro de su exposición temáticas relevantes para el análisis, gestión y solución de proyectos de analítica de datos. Las temáticas tratadas corresponden a las habilidades requeridas por el programa Certified Analytics Professional (CAP) de INFORMS. Los conferencistas podrán asignar a los estudiantes trabajos o realizar en las clases talleres/quices/casos que constituirán elementos de evaluación del curso.  Durante el desarrollo del curso los estudiantes conformarán grupos de trabajo con la finalidad de identificar, analizar y formular una problemática particular de una organización que será abordada en su trabajo práctico de grado de la maestría. Al finalizar el curso, el estudiante debe estar en capacidad de:

• Formular rigurosamente un proyecto de inteligencia analítica a partir de una problemática real de una organización o empresa
• Integrar teorías, modelos y herramientas previamente aprendidas para una adecuada conceptualización y análisis del problema práctico en consideración
• Fortalecer las habilidades de comunicación, trabajo en equipo y gerencia de proyectos
• Desarrollar habilidades transversales que le permitan apoyar la toma de decisiones estratégicas en las organizaciones

Este curso busca evidenciar el desarrollo de competencias y habilidades de los estudiantes del programa en el uso de metodologías, modelos y herramientas de analítica de datos vistas en la maestría y utilizadas para la solución de un problema real en una empresa u otras organizaciones. Al finalizar el curso, el estudiante debe estar en capacidad de:

• Elaborar un documento donde se encuentren todos los elementos de la metodología utilizada para el desarrollo del proyecto, indicadores de desempeño de su solución y calidad de los modelos, así como el proceso llevado a cabo.
• Diseñar una metodología para abordar el problema de su proyecto, en la cual se integre la identificación del problema de negocio, y las metodologías y modelos propios de analítica de datos.
• Presentar un conjunto de conclusiones y recomendaciones del proyecto desarrollado.
• Realizar la sustentación de su proyecto ante un equipo de profesionales expertos en analítica de datos y el tema de desarrollo del proyecto. Este equipo estará conformado por el asesor, el pre-asesor y por lo menos un profesor adicional del programa o experto en el tema seleccionado.
• Construir los modelos de analítica de datos para abordar el problema de su proyecto.

En el curso se presentan diferentes técnicas y modelos de análisis estadístico desde una perspectiva conceptual y práctica, haciendo énfasis en el uso de herramientas computacionales para el análisis de datos. El curso está estructurado en cuatro temas principales: 1) Análisis exploratorio de datos e inferencia estadística, 2) Análisis de varianza (ANOVA), 3) Regresión lineal, y 4) Regresión logística y regresión de Poisson. Cada una de las sesiones está dedicada a la exposición de los principales temas que se cubren en el curso, así como al desarrollo de ejercicios y casos ilustrativos. Durante las sesiones se desarrollarán talleres y actividades en computador diseñadas para favorecer el proceso de aprendizaje. La participación de los estudiantes en las sesiones de clase, así como su trabajo permanente en la revisión de los conceptos teóricos y la solución de ejercicios y talleres, constituyen una condición indispensable para el desarrollo exitoso del curso. 

Este curso busca desarrollar habilidades para usar lenguajes de programación y herramientas de software contemporáneos como un medio para desarrollar analítica de datos a la medida. En particular, el curso explora las fases de extracción y manipulación de datos, así como el análisis descriptivo, predictivo y prescriptivo alrededor de casos y preguntas de negocio. Se cubre el uso de Python y sus paquetes más populares para análisis estadístico, visualización y modelamiento de datos, simulación y optimización, pero no se profundiza en el trasfondo de estas técnicas. Se adopta Python por ser un lenguaje de propósito general, con alto nivel de abstracción y facilidad sintáctica para no expertos en programación. Las habilidades desarrolladas en el curso son extensibles y aplicables a cualquier lenguaje de programación. Sin embargo, se presentan también nociones básicas del lenguaje de programación R por ser otra opción común en análisis de datos. Más que ser un curso de programación, este es un espacio para perder el "miedo" a interactuar con computadores y programación, ofreciendo grandes posibilidades en el contexto de Analytics. 

Al finalizar el curso, el estudiante debe estar en capacidad de:

• Leer, manipular, limpiar y escribir datos desde Python (y R)
• Manejar adecuadamente estructuras de datos, estructuras de control y funciones en un lenguaje de programación (Python).
• Utilizar funciones existentes y desarrollar funciones propias que sean útiles para la realización de las principales actividades de análisis de datos
• Utilizar herramientas gráficas adecuadas para explorar la información contenida en los datos y presentar información y resultados de manera eficaz
• Realizar análisis descriptivos, predictivos y prescriptivos básicos valiéndose de paquetes existentes y funciones propias
• Aprender de forma autónoma y eficaz funcionalidades adicionales de los lenguajes tratados y aprender de forma autónoma nuevos lenguajes (e.g., Julia, Kotlin, Java, C++) y herramientas (e.g., TensorFlow, AWS) de acuerdo a las necesidades de cada proyecto/problema

Este curso se compone de dos módulos: uno de optimización y uno de simulación.

El primer módulo presenta técnicas de modelado en optimización lineal y entera. De forma complementaria, el curso busca desarrollar en el estudiante habilidades de implementación de los modelos en software especializado de optimización (e.g., Xpress-MP) así como en herramientas de uso cotidiano como Excel. La finalizar el módulo 1, el estudiante debe estar en capacidad de:

• Identificar procesos susceptibles de ser mejorados a través de las técnicas de optimización
• Formular rigurosamente un problema de optimización a partir de una problemática real
• Implementar y resolver un modelo de optimización utilizando herramientas computacionales. En particular, el estudiante estará en capacidad de utilizar software como Xpress-MP y Excel (Solver/OpenSolver)
• Analizar, interpretar y comunicar apropiadamente los resultados de un modelo de optimización

El segundo módulo, presenta técnicas de simulación y busca desarrollar en el estudiante habilidades de implementación de los modelos en software libre (e.g., R) y especializado de simulación (e.g., Crystal Ball) así como en herramientas de uso cotidiano como Excel. Al finalizar el módulo 2, el estudiante debe estar en capacidad de:

• Identificar procesos que puedan ser modelados y mejorados a través de técnicas de simulación
• Formular rigurosamente un modelo de simulación a partir de un proceso real
• Implementar un modelo de simulación utilizando herramientas computacionales. En particular, el estudiante estará en capacidad de utilizar software como Excel, R y Crystal Ball
• Analizar, interpretar y comunicar apropiadamente los resultados de un modelo de simulación

Uno de los pilares dentro de la analítica de datos, como soporte para la toma de decisiones, es la minería de datos. Esta corresponde con un proceso en donde se extrae y se obtiene información relevante a partir de grandes cantidades de datos. Este curso busca brindarle al estudiante conceptos y técnicas fundamentales en este sentido, cubriendo temáticas ampliamente usadas para herramientas de clasificación, agrupación o predicción. El curso consta de una clase magistral acompañada de ejercicios prácticos y proyectos en equipo. En los ejercicios, los participantes adquirirán una experiencia inicial en la aplicación de las herramientas de minería de datos a conjuntos de datos realistas. Los proyectos en equipo tienen lugar a lo largo del semestre. En ellos,
los estudiantes realizan proyectos de minería de datos usando una base de datos común e informan sobre los resultados de sus proyectos en forma de informe escrito y de presentación oral. La finalizar el curso, el estudiante debe estar en capacidad de:

• Comprender los conceptos y técnicas básicas de la minería de datos
• Aprender a aplicar técnicas de minería de datos a problemas del mundo real
• Comprender la importancia del preprocesamiento de datos y cómo prepararlos para la minería
• Aprender a evaluar los resultados de los modelos de minería de datos
• Ser capaz de utilizar herramientas de programación (R-Project) para llevar a cabo tareas de minería de datos

Este curso presenta conceptos y métodos de análisis para estructuras de datos que requieran modelos especiales, en dos módulos. En el primero se estudian estructuras de datos tomadas en el tiempo (series de tiempo) y cómo estos pueden ser modelados para pronosticar futuras observaciones. En el segundo módulo, se cubren métodos para la reducción de dimensiones en los datos, esto es, obtener un número reducido de variables con el fin de mejorar la interpretación, obtener dimensiones computacionalmente tratables o seleccionar nuevas variables relevantes. También se cubrirán métodos alternativos para modelar con grandes dimensiones de datos. La finalizar el curso, el estudiante debe estar en capacidad de:

• Comprender los conceptos fundamentales de los modelos y métodos estudiados
• Comprender el funcionamiento de cada técnica vista en el curso, incluyendo sus supuestos y limitaciones

• Aprender a utilizar herramientas computacionales que permitan la correcta aplicación de los métodos vistos
• Desarrollar habilidades para el análisis, comprensión y comunicación de resultados obtenidos

El curso busca presentar metodologías, modelos y herramientas para el análisis y solución de problemas de decisión bajo incertidumbre, haciendo énfasis en la importancia de utilizar metodologías estructuradas y herramientas apropiadas como soporte para la toma racional de decisiones en las organizaciones. Así mismo, en el curso se estudiará la evaluación económica de proyectos y el análisis de riesgo asociado al comportamiento económico de un proyecto. Se presentan y discuten casos y problemas de situaciones reales, que puedan ser estudiados y solucionados utilizando
las herramientas de modelaje y análisis vistas en el curso.

Este curso provee una introducción a deep learning. Los estudiantes que tomen el curso aprenderán las teorías, los modelos, el progreso de deep learning y obtendrán experiencia en el entrenamiento de redes neuronales. El curso empieza con las bases de aprendizaje computacional  (Machine Learning) y algunos modelos clásicos, seguido de técnicas de optimización para entrenar redes neuronales profundas (Deep Neural Networks), implementación de aprendizaje profundo a   gran escala (large scale deep learning), aprendizaje profundo de multitareas (multi-task deep  learning), transferencia de aprendizaje profundo (transferred deep learning), redes neuronales   recurrentes, aplicaciones de aprendizaje profundo en sistemas de recomendación y análisis de  texto, y entendimiento del porqué deep learning funciona. Se propone un seguimiento a través del desarrollo de talleres prácticos de programación, quices y un proyecto de curso. Al finalizar, el curso, el estudiante debe estar en capacidad de:

• Comprender los conceptos fundamentales de los modelos y métodos estudiados
• Comprender el funcionamiento de cada técnica vista en el curso, incluyendo sus supuestos y limitaciones
• Utilizar herramientas computacionales que permitan una aplicación adecuada y eficiente de los métodos vistos en clase
• Implementar estrategias para el desarrollo eficiente de modelos de aprendizaje computacional (profundo) con grandes volúmenes de datos
• Desarrollar habilidades para el análisis de problemas de datos aplicados, y la comprensión y comunicación de los resultados obtenidos

A diferencia de los cursos tradicionales en mercadeo, que generalmente adoptan una perspectiva conceptual, empírica y cualitativa, el curso de "Modelos de Decisión en Mercados" está diseñado para aportar al participante la instrucción requerida para desempeñarse adecuadamente en ambientes intensivos en tecnologías de información. El curso provee el entrenamiento básico que permite trasladar conceptos en decisiones y acciones de mercadeo efectivas, por medio de técnicas cuantitativas y modelos computacionales. No se pretende en este curso hacer del estudiante un analista o un modelador experto. Más se pretende convertirlo en un consumidor inteligente de los resultados generados por terceros. Al finalizar el curso, el estudiante debe estar en capacidad de:

• Presentar por qué y cómo el enfoque del marketing analytics puede mejorar significativamente el proceso de toma de decisiones en mercadeo.
• Construir y comprender los modelos de decisión más exitosos en el campo del mercadeo, e ilustrar sus aplicaciones con ejemplos.
• Realizar la formulación analítica de los procesos de decisión en mercadeo e interpretar los resultados. 

Los estudiantes del programa de Maestría MIIA, en el período intersemestral, deben tomar un curso electivo de 4 créditos, nivel maestría, dentro de las opciones disponibles. Algunos de los temas en los que se han ofrecido electivas son: redes neuronales, econometría financiera, ciencia de redes en Analytics, Machine Learning, Supply Chain Analytics, nuevas tendencias en Analytics y Analytics financiero, entre otros.

*Los temas varían cada año. Normalmente las electivas se ofrecen dentro de la Escuela Internacional de Verano. Para más detalle, consulte directamente con la Coordinación Académica del Programa MIIA.