Clase teórica en vivo_U1_procesamiento.pptx

Clase teórica en vivo_U1

1. ¡Les damos la bienvenida! ¿Comenzamos?

2. Esta clase va a ser grabada

3. Unidad 1. DATA ANALYTICS Introducción a l Análisis de Datos

4. Objetivos Comprender las diferencias clave entre Business Intelligence, Data Analytics y Data Science, y su aplicación en la toma de decisiones estratégicas. Explorar las herramientas y tecnologías fundamentales para el análisis y la visualización de datos, incluyendo SQL, Python y Power BI. Aplicar conceptos básicos de análisis de datos en escenarios prácticos para desarrollar habilidades interpretativas y analíticas.

5. Ser un Data Analytics "Los datos son el nuevo petróleo" (Clive Humby, 2006): Los datos deben procesarse para extraer valor, como el petróleo crudo. Importancia de transformar datos en información útil para decisiones estratégicas. Ejemplo: Una cifra de ventas ("1000 USD") requiere contexto (periodo, región, producto) para ser significativa.

6. Contexto y Ejemplos prácticos Los datos necesitan contexto para ser útiles: periodo, región, producto, canal de ventas, comparación con objetivos. Ejemplo práctico: Ventas mensuales por región revelan el rendimiento de un producto. Análisis detallado transforma datos en insights accionables.

7. Rol del Analista de Datos Funciones clave: recolección, limpieza, análisis e interpretación de datos. Herramientas comunes: SQL, Python, Tableau, Power BI. Visualización de datos para storytelling efectivo.

8. Evolución del Consumo de Datos Pasado: Datos limitados (registros en papel, informes impresos). Análisis manual y esporádico. Actualidad: Datos digitales en tiempo real. Feedback continuo. Dashboards interactivos permiten personalización y análisis dinámico.

9. ¿Business Intelligence, Data Analytics o Data Science?

10. BI: Metodologías para análisis histórico. Ejemplo: Estructuración de bases de datos (Nike). Data Analytics: Análisis de datos actuales. Ejemplo: Identificar tendencias para decisiones rápidas. Data Science: Modelos predictivos con machine learning. Ejemplo: Predicción de comportamientos de compra. ¿Business Intelligence, Data Analytics o Data Science?

11. Business Intelligence

12. Puntos clave: Metodologías: ETL, modelado de datos, visualización. Importancia: Centralización, eficiencia, decisiones basadas en datos. Herramientas comunes: Power BI, Tableau, Data Studio. Ejemplo: Nike utiliza BI para estructurar datos de apps móviles y redes sociales.

13. Data Science

14. Puntos clave: Uso de algoritmos avanzados y machine learning. Modelos predictivos para anticipar tendencias. Aplicaciones en salud, finanzas, marketing y manufactura. Ejemplo: Predicción de enfermedades y segmentación de clientes.

15. Data Analytics

16. Puntos clave: Proceso : Definición de objetivos, recolección, análisis e interpretación de datos. Métodos : Análisis descriptivo, predictivo y prescriptivo. Resultados : Optimización de operaciones y estrategias basadas en datos. Ejemplo: Insights basados en dashboards interactivos para evaluar desempeño.

17. Complementariedad de las disciplinas BI: Proporciona la infraestructura para gestión de datos. Data Science: Descubre patrones avanzados. Data Analytics: Transforma insights en decisiones accionables. BI centraliza datos — Data Science identifica patrones — Data Analytics los utiliza para optimizar estrategias.

18. ☕ Break ¡10 minutos y volvemos!

19. Tecnologías en el Análisis de Datos

20. Recolección: RDBMS (SQL Server), NoSQL (MongoDB). Análisis: Python, Tableau, Power BI. Visualización: Dashboards interactivos para storytelling. Tecnologías en el Análisis de Datos

21. Lenguajes de Programación para el Análisis de Datos

22. Consultas y manejo eficiente de bases de datos. Manipulación y visualización de datos. Estadística avanzada. Optimización y cálculos numéricos. SQL Python R Julia

23. ¿Qué es una Base de Datos ?

24. Definición: Conjunto organizado de datos gestionados en un sistema. Diferencia con dataset: Bases de datos estructuradas; datasets no siempre relacionados. Componentes: SGBD, usuarios, hardware. Una base de datos…

25. Recuperación: Protección contra fallos. Integridad: Datos válidos y completos. Concurrencia : Acceso simultáneo seguro. Seguridad: Roles y permisos para control de acceso. Características del SGBD

26. ¿Preguntas?

27. ¿Quieres saber más? Te dejamos material ampliado de la clase

28. Recursos multimedia MATERIAL AMPLIADO Charla Ted: Why you should get paid for your data | Jennifer Zhu. Artículo: History of data and analytics platforms | Tom Pringle

29. Muchas gracias .

30. Resumen de la clase hoy Introducción a Data Analytics. Diferencia entre BI, DA y DS. Tecnologías en el Análisis de Datos. Bases de datos.

31. Educación digital para el mundo real