Aplicar técnicas de gestión personal para adaptarse de mejor manera al entorno actual de las organizaciones.

El taller está especialmente diseñado para quienes ingresan a un diplomado de Clase Ejecutiva UC.

Ciertamente, los constantes cambios que se viven hoy en día, obligan a los profesionales a mantenerse actualizados. Vivimos en una época de alta volatilidad y se hace necesario ser flexible. Es así como la crisis que explotó en 2020 nos mostró la necesidad de desarrollar habilidades asociadas a los entornos virtuales de trabajo.

En este taller, el participante aprenderá a cómo gestionar su marca personal en redes sociales. También, técnicas de oratoria digital para la realización de videoconferencias. Y, además, estrategias para gestionar bien el tiempo y conocimientos sobre inteligencia emocional.

El taller busca entregar habilidades transversales a todos los alumnos de los diplomados de Clase Ejecutiva UC. Se realizarán controles de lectura, foros de discusión y clases sincrónicas durante su desarrollo.

• Marca personal
• Cómo construir una marca personal digital
• Acciones premium para potenciar nuestra personal branding

• Reuniones virtuales y webinars
• El contenido de las sesiones
• Oratoria digital
• Técnicas básicas de oratoria para entornos digitales

• Conócete a ti mismo
• Procrastinación
• Los “ladrones del tiempo”
• Priorización y matriz de Eisenhower
• Buenas prácticas de gestión del tiempo

• Modelo de inteligencia emocional
• Conciencia de uno mismo
• Conciencia social
• Conciencia organizacional
• Gestión de las relaciones
• ¿Cómo desarrollar estas competencias?

El profesor interactúa directamente con un grupo reducido de participantes para ayudar a resolver dudas respecto al trabajo grupal (alcance, foco, herramientas, etc.) y dudas relacionadas con el contenido del curso (profundización de conceptos, aclaraciones, recomendaciones, bibliografía, etc.).

El trabajo del grupo se centrará en familiarizar a los alumnos con el concepto de agilidad, aplicado en este caso a la inteligencia de negocios. Los alumnos desarrollarán un proyecto separado en tres entregas parciales, cada una construida sobre la anterior. Cada entrega corresponderá a una iteración en un proceso de desarrollo ágil.

El trabajo se entrega en forma individual y no grupal, pero los alumnos pueden conversar y discutir sobre sus ideas de soluciones con sus compañeros, antes de desarrollar y entregar el proyecto.

• Introducción a la inteligencia de negocios
• Plataforma clásica de inteligencia de negocios
• Componentes de la plataforma clásica de inteligencia de negocios
• Nuevas tendencias que impactan la inteligencia de negocios

• Desafíos de la inteligencia de negocios actual
• Presentación plataforma moderna de análisis de datos
• Componentes de la plataforma moderna de análisis de datos
• Centralización versus descentralización

• Agilidad en inteligencia de negocios
• Introducción al gobierno de datos
• Roles asociados al gobierno de datos
• Desafíos del gobierno de datos

• Introducción a la calidad de datos
• Metodología de calidad de datos
• Etapas de la metodología de calidad de datos
• Desafíos de calidad de datos

• Introducción al pensamiento analítico
• Pensamiento crítico
• Pensamiento creativo
• El nuevo rol del traductor analítico

• Próximos años: principales desafíos
• El rol de los gerentes y directivos de la organización
• El (probable) invierno analítico
• Preparándose para una nueva era

En la clase en vivo, por lo general durante la primera semana del curso, el profesor entrega una visión general del área de inteligencia de negocios, su historia, el contexto, el ámbito de aplicaciones y los principales desafíos. Los alumnos tienen oportunidad de hacer preguntas o aportar con experiencia personal asociada a los temas expuestos. Tiene un propósito motivacional y de entregar una visión amplia antes de entrar en los detalles.

• ¿Qué es arquitectura? ¿Qué es infraestructura?
• Introducción a una arquitectura sustentable de inteligencia de negocios
• Las componentes fundamentales
• Plataformas, herramientas y forma de entrega

• Bases de datos, almacenes de datos (data warehouses) y lagos de datos (data lakes)
• Tipos de modelos de dato
• La irrupción de la big data
• Plataformas para el manejo de big data

• Herramientas clásicas de inteligencia de negocios
• Principales oferentes de soluciones de inteligencia de negocios
• Mercados de inteligencia de negocios según Gartner y Forrester
• Servicios en la nube

• Presentación del escenario
• Análisis del problema
• Análisis de posibles soluciones
• Trade-offs y decisiones

En la clase en vivo, por lo general durante la primera semana del curso, el profesor entrega una visión general del área de inteligencia de negocios, su historia, el contexto, el ámbito de aplicaciones y los principales desafíos. Los alumnos tienen oportunidad de hacer preguntas o aportar con experiencia personal asociada a los temas expuestos. Tiene un propósito motivacional y de entregar una visión amplia antes de entrar en los detalles.

• Introducción al gobierno de datos (data governance)
• Conceptos asociados al gobierno de datos (data governance)
• Organismos, roles y responsabilidades
• Gobierno aplicado en arquitecturas modernas

• Ciclo de vida de inteligencia de negocios, relación con otras áreas y disciplinas.
• Principios del PMBoK para el desarrollo de proyectos.
• Metodología clásica de gestión de proyectos de inteligencia de negocios.
• Metodología moderna de gestión de proyectos de inteligencia de negocios.

• Presentación del escenario
• Análisis del problema
• Discusión sobre la gestión del proyecto
• Discusión sobre el gobierno de datps

Un profesor ayudante interactúa directamente con un grupo reducido de participantes para ayudar a resolver problemas técnicos remanentes, como por ejemplo la correcta instalación de herramientas de software y el uso apropiado de algunas herramientas. Asimismo, para la preparación de set de datos para la reducción de dimensionalidad, y guiar el trabajo en las diferentes técnicas de reglas de asociación, algoritmos de clasificación, clustering y medidas de similaridad.

Los alumnos deben aplicar los conocimientos aprendidos en tres trabajos o pequeños proyectos concretos. El último proyecto suele tener características integradoras y, por lo tanto, es un poco más largo y completo que los anteriores. Aun cuando el trabajo se entrega en forma individual y no grupal, los alumnos pueden conversar y discutir sobre sus ideas de soluciones con sus compañeros, antes de desarrollar y entregar el proyecto. Los miniproyectos estarán enfocados en: procesar y consolidar datos aplicando ETL (extracción, transformación y carga de datos); utilizar el algoritmo Random Forest y KNN para dos casos propuestos, y realizar el preprocesamiento de una base de datos propuesta, aplicando dos algoritmos de los vistos en clases para así mostrar sus rendimientos a través de evaluar al clasificador y presentar las métricas, pudiendo establecer una comparación de rendimiento entre los dos algoritmos elegidos.

• Video bienvenida al curso
• Integración de datos, data warehouse
• Selección y transformación de datos
• Install Python Windows
• Install Python MAC OS y Linux
• Ejemplo práctico uso de dataframes

• Preparación de datos: normalización, codificación e imputación de datos
• PCA y t-SNE
• ETL
• Ejemplo práctico PCA
• Ejemplo práctico t-SNE
• Ejemplo práctico ETL

• Reglas de asociación: Apriori
• Reglas de asociación: FP-Growth
• Reglas de asociación: ECLAT
• Ejemplo práctico Apriori
• Ejemplo práctico ECLAT
• Ejemplo práctico FP-Growth

• Árboles de decisión
• Random Forest
• KNN y Kd-tree
• Ejemplo práctico árboles de decisión
• Ejemplo práctico Random Forest
• Ejemplo práctico KNN

• KMeans
• Clustering jerárquico
• DBSCAN
• Ejemplo práctico KMeans
• Ejemplo práctico clustering jerárquico
• Ejemplo práctico DBSCAN

• Introducción a machine learning: modelos supervisados y no supervisados
• Evaluación de clasificadores
• Métricas
• Ejemplo práctico evaluación clasificadores
• Ejemplo práctico métricas