Curso de análisis de datos

Lección 1 • Pensamiento Analítico y Formulación de Problemas

Desarrolla habilidades de pensamiento estructurado: descomponer problemas, formular hipótesis y evitar sesgos cognitivos. Estos hábitos sustentan cada decisión analítica que se toma posteriormente.

Lección 2 • El Flujo de Trabajo del Análisis de Datos

Introduce el proceso de extremo a extremo: definir, recolectar, limpiar, analizar, visualizar y comunicar. Proporciona un framework repetible que los estudiantes aplican en cada capítulo posterior.

Lección 3 • Qué es el Análisis de Datos

Define el análisis de datos, su valor para el negocio y en qué se diferencia de la ciencia de datos. Ancla el capítulo estableciendo un vocabulario compartido para todos los temas posteriores.

Lección 4 • Configuración del Entorno Analítico

Guía a los estudiantes en la instalación y configuración de las herramientas utilizadas a lo largo del curso. Se requiere un espacio de trabajo funcional antes de comenzar los ejercicios prácticos.

Lección 1 • Fuentes de Datos Primarias vs. Secundarias

Distingue los datos generados internamente de los obtenidos de fuentes externas y explica las ventajas y desventajas en costo, oportunidad y control. Prepara el terreno para las decisiones de selección de fuentes.

Lección 2 • Bases de Datos y Fundamentos de Consultas

Introduce los conceptos de bases de datos relacionales y SQL básico para la extracción de datos. Las habilidades de consulta son esenciales para acceder a datos organizacionales estructurados.

Lección 3 • Evaluación de la Calidad de los Datos

Enseña las dimensiones de la calidad de los datos: precisión, completitud, consistencia y puntualidad. Los analistas deben evaluar la idoneidad para el propósito antes de invertir en el análisis.

Lección 4 • Consideraciones Éticas y de Privacidad

Aborda el consentimiento, la anonimización y el manejo responsable de datos alineado con los principios globales de privacidad. Las prácticas éticas de recolección protegen a las personas y a las organizaciones.

Lección 1 • Combinación y Reestructuración de Conjuntos de Datos

Enseña uniones, concatenación, pivoteo y despivoteo para combinar y reestructurar datos. Los analistas integran rutinariamente múltiples fuentes en una sola tabla analítica.

Lección 2 • Identificación y Manejo de Datos Faltantes

Explica los patrones de datos faltantes al azar vs. no al azar y aplica estrategias de eliminación, imputación y marcado. Un manejo adecuado previene resultados sesgados en los análisis posteriores.

Lección 3 • Construcción de una Tubería de Limpieza Reproducible

Estructura los pasos de limpieza en scripts reutilizables y documenta cada decisión de transformación. La reproducibilidad asegura que la limpieza pueda ser auditada y repetida con nuevos datos.

Lección 4 • Detección y Tratamiento de Valores Atípicos

Utiliza métodos estadísticos y visuales para identificar valores atípicos y decide si eliminarlos, acotarlos o conservarlos. Las decisiones sobre valores atípicos afectan directamente las estadísticas de resumen y los modelos.

Lección 1 • Documentación de Hallazgos del EDA

Estructura los resultados del EDA en una narrativa con gráficos anotados y observaciones clave. Los hallazgos documentados sirven como base para el análisis formal y la elaboración de informes.

Lección 2 • Fundamentos de Estadística Descriptiva

Cubre medidas de tendencia central, dispersión y forma para variables numéricas y categóricas. Estas estadísticas forman el resumen de línea base con el que comienza cada análisis.

Lección 3 • Análisis de Agrupación y Segmentación

Utiliza operaciones groupby y tablas dinámicas para comparar estadísticas entre segmentos. La segmentación revela diferencias entre subgrupos que son invisibles en los resúmenes agregados.

Lección 4 • Análisis de Distribución Univariante

Examina distribuciones de una sola variable usando histogramas, gráficos de densidad y gráficos Q-Q. Comprender el comportamiento individual de las variables precede a la exploración multivariante.

Lección 1 • Construcción de Gráficos con Bibliotecas de Python

Implementa visualizaciones usando Matplotlib y Seaborn con control total sobre el estilo. Los gráficos programáticos son reproducibles y se actualizan fácilmente con nuevos datos.

Lección 2 • Tipos de Gráficos y Cuándo Usarlos

Asigna objetivos analíticos (comparación, distribución, relación, composición) a tipos de gráficos apropiados. La selección correcta del gráfico es el primer paso para una comunicación clara.

Lección 3 • Visualizaciones Interactivas y de Tableros

Presenta Plotly y estructuras básicas de tableros para la exploración interactiva. La interactividad permite a las partes interesadas obtener insights por sí mismas sin la intervención del analista.

Lección 4 • Principios de Visualización Efectiva

Cubre la relación datos-tinta de Tufte, los atributos preatentivos y las estructuras de selección de gráficos. Un diseño basado en principios evita visualizaciones engañosas o saturadas.

Lección 1 • Marco de Trabajo para la Prueba de Hipótesis

Presenta las hipótesis nula y alternativa, los valores p, los niveles de significancia y los errores de Tipo I/II. Este framework se aplica en cada prueba cubierta en las secciones posteriores.

Lección 2 • Muestreo y Estimación

Explica los métodos de muestreo, la determinación del tamaño de la muestra y la estimación puntual vs. por intervalo. Un muestreo adecuado asegura que los resultados se generalicen a la población objetivo.

Lección 3 • Correlación y Regresión Simple

Cuantifica relaciones lineales y construye modelos de regresión simple para predicción y explicación. La regresión extiende la correlación a declaraciones predictivas procesables.

Lección 4 • Fundamentos de Probabilidad para Analistas

Cubre reglas de probabilidad, probabilidad condicional y distribuciones comunes relevantes para datos de negocio. La probabilidad sustenta cada técnica inferencial introducida más adelante.

Lección 1 • Análisis de Series de Tiempo

Descompone datos de series de tiempo en componentes de tendencia, estacionalidad y residuo, y aplica modelos de pronóstico. Los patrones temporales son críticos en el análisis operativo y financiero.

Lección 2 • Segmentación y Agrupamiento

Aplica k-medias y agrupamiento jerárquico para segmentar clientes, productos o comportamientos. La segmentación permite estrategias dirigidas basadas en agrupaciones fundamentadas en datos.

Lección 3 • Análisis de Regresión Múltiple

Construye e interpreta modelos de regresión lineal múltiple con diagnósticos y selección de variables. Extiende la regresión simple para manejar múltiples predictores simultáneamente.

Lección 4 • Ingeniería y Selección de Características

Crea y selecciona características informativas para mejorar el rendimiento del modelo. Las características bien diseñadas a menudo importan más que la elección del algoritmo en aplicaciones prácticas.

Lección 1 • Medición del Impacto Analítico

Establece métricas para rastrear si las recomendaciones se implementaron y generaron los resultados esperados. Cerrar el ciclo de retroalimentación construye la credibilidad del analista y mejora el trabajo futuro.

Lección 2 • Construcción de Presentaciones para Ejecutivos

Diseña presentaciones de diapositivas con títulos claros, texto mínimo y visualizaciones de apoyo alineadas con la narrativa. Las audiencias ejecutivas requieren una comunicación concisa y enfocada en la decisión.

Lección 3 • Traducción del Análisis en Recomendaciones

Convierte los hallazgos estadísticos en recomendaciones de negocio específicas, priorizadas y con impacto esperado. Las recomendaciones cierran la brecha entre el análisis y la acción organizacional.

Lección 4 • Manejo de Preguntas de las Partes Interesadas

Prepara a los analistas para defender la metodología, abordar el escepticismo y aclarar suposiciones bajo presión. La credibilidad depende de respuestas seguras y transparentes al escrutinio.