Nombre de la materia
Soporte analítico para la toma de decisiones Disciplina
Tecnologías de información Nivel académico general
Profesional Intermedio - Enfoque Tipo de materia especifica
Bloque Tecnica didáctica
No especificado Tipo de periodo
Semestral Tipo horario
Proyecto Escuela
Ingeniería y Ciencias Departamento
Computación Intención
Es un curso de nivel intermedio enfocado a la generación de modelos analíticos para apoyar a la toma de decisiones de una organización. Requiere conocimientos previos de administración de datos, programación y de las áreas funcionales de una empresa.Como resultado el alumno genera modelos dimensionales de datos orientados a las necesidades analíticas de una organización, realizando el análisis para generar conocimiento y proponer acciones que apoye la competitividad de la organización. Objetivo general
Al terminar la unidad de formación el alumno utiliza análisis de datos y técnicas estadísticas para descubrir nuevas relaciones y proveer soluciones a problemas en los procesos organizacionales o respaldar la toma de decisiones. Temas
1. Introducción a la inteligencia de negocios y Business Analytics.1.1 Conceptos básicos.1.2 Creación de Inteligencia.1.3 Modelos y proveedores de Inteligencia de negocios.1.4 Papel de la inteligencia de negocios en las organizaciones.1.5 Estructura de un proyecto de Inteligencia de negocios (BI).1.6 Aplicaciones y casos de analítica en las organizaciones. 2. Arquitectura de una solución de inteligencia de negocios (BI).2.1 Almacenes de datos.2.2 Metadata.2.3 Componentes de la arquitectura de inteligencia de negocios (BI).2.4 El modelo de datos y la analítica.2.5 Metodología para el diseño de un modelo de datos.2.6 Otras arquitecturas.2.7 Retos y mejores prácticas en la construcción de un modelo de datos. 3. Administración del desempeño del negocio.3.1 Administración del desempeño del negocio.3.2 Medición del desempeño.3.2.1 Métricas, indicadores y KPI’s. 4. Visualización para la analítica.4.1 Conceptos generales.4.2 Mejores prácticas en visualización de datos.4.3 Diseño de reportes.4.4 Diseño de Dashboards / tableros de control y scorecards.4.5 Diseño de Story boards. 5. Tendencias en analítica de negocio.5.1 Analítica predictiva y prescriptiva.5.2 Analítica cognitiva.5.3 Minería de datos.5.4 Analítica avanzada.5.5 Tendencias futuras. Metodologia de la enseñanza
Actividades de aprendizaje conducidas por un académico (Aprendizaje Supervisado):1. Revisión y análisis conceptual conducido por el docente a través de módulos de aprendizaje en los que abordan temas relacionados con la introducción a la inteligencia de negocios y la analítica de negocio; la arquitectura de una solución de inteligencia de negocios; la administración del desempeño del negocio; la visualización para la analítica y las tendencias en analítica de negocio. Lo anterior en estrecha relación con el reto que se esté enfrentando en el bloque.2. Discusiones y resolución de situaciones relacionadas con el reto que se enfrenta en el bloque.3. Acompañamiento y supervisión del trabajo de campo que realiza el alumno al enfrentar el reto en una organización o entorno real.4. Sesiones de asesoría individuales y grupales orientadas a apoyar el abordaje resolución del reto. Actividades de aprendizaje independiente (Aprendizaje Individual):1. Investigación individual y en equipo sobre la introducción a la inteligencia de negocios y la analítica de negocio; la arquitectura de una solución de inteligencia de negocios; la administración del desempeño del negocio; la visualización para la analítica y las tendencias en analítica de negocio.2. Solución de ejercicios, problemas y casos, tanto de manera individual como colaborativa, para desarrollar la capacidad de utilizar el análisis de datos y las técnicas estadísticas para descubrir nuevas relaciones y proveer soluciones a problemas en los procesos organizacionales o para el respaldo en la toma de decisiones.3. Trabajo de campo en el contexto del entorno real en el que se enfrenta al reto relacionado con la arquitectura de una solución de inteligencia de negocios. 4. Generación de prácticas de laboratorio; exámenes de comprobación de conocimientos y actividades del desarrollo del proyecto como evidencias del desarrollo de las competencias asociadas al reto. Tiempo estimado
Tema 1 10 horasTema 2 20 horasTema 3 15 horasTema 4 20 horasTema 5 10 horas Evaluación 5 horasTotal 80 horas Politica de evaluacion
Para la evaluación del aprendizaje de los estudiantes se usarán procedimientos y criterios que permiten evaluar los resultados del proceso de aprendizaje en su desempeño en los módulos y además evidencias de desempeño o de producto que permitan observar el desarrollo de competencias. Los procedimientos de evaluación y la ponderación de cada uno de ellos son los siguientes:50% --- Participación y resultados de actividades, tareas, casos y exámenes de los módulos de aprendizaje, evaluando el conocimiento teórico y práctico relacionados con la introducción a la inteligencia de negocios y la analítica de negocio; la arquitectura de una solución de inteligencia de negocios; la administración del desempeño del negocio; la visualización para la analítica y las tendencias en analítica de negocio.50% --- Desempeño en el proceso para enfrentar el reto y sus resultados, considerando las siguientes evidencias que demuestren el nivel de dominio de las competencias: prácticas de laboratorios; mini retos; actividades del proyecto. Perfil del profesor
(110103)Maestría en Tecnología de la Información/Informática/Sistemas Computacionales ; (110102)Maestría en Inteligencia Artificial /Robótica ; (110701)Maestría en Ciencias Computacionales ; (140901)Maestría en Ingeniería Computacional ; (142701)Maestría en Ingeniería de Sistemas ; (143501)Maestría en Ingeniería Industrial ; (110101)Doctorado en Ciencias Computacionales/de Información ; (110102)Doctorado en Inteligencia Artificial /Robótica ; (110701)Doctorado en Ciencias Computacionales ; (140901)Doctorado en Ingeniería Computacional ; (142701)Doctorado en Ingeniería de Sistemas ; (143501)Doctorado en Ingeniería Industrial Requisitos
Haber Cursado TI2004B Bibliografia
2016955465, Practical Data Science with Hadoop and Spark: Designing and Building Effective Analytics at Scale, Mendelevitch, O. Stella, S. y Eadline D. , Pearson, 1a, USA, 2016| 9781788992367, Python: Advanced Predictive Analytics: Gain practical insights by exploiting data in your business to build advanced predictive modeling application., Kumar, A. y Babcock, J., Packt Publishing, 1a, UK, 2017| 9780134633282, Business Intelligence, Analytics, and Data Science: A Managerial Perspective , Sharda, R., Delen, D. y Turban, E. , Pearson, 4a, 2017 Atributos
Materia Modelo Tec21 Competencias
SEG0502B, SICT0202C, STI0202B, STI0203A Créditos
4.00
