Plan de Estudios
Módulo 1: INTRODUCCIÓN. ¿POR QUÉ MODELAR?¿QUÉ IMPACTO TIENE ESTO EN EL TRABAJO COMERCIAL?
• ¿De qué hablamos cuando hablamos de Big Data, Data Mining y Data Science? ¿Como nos ayuda en la toma de decisiones comerciales?
• Técnicas de aprendizaje automático y mineria de datos para clientes y datos de ventas.
• Algoritmos y modelado estadístico de datos para comprender y aprovechar los enormes volúmenes de datos existentes dentro de una organización.
Módulo
2.MODELOS LINEALES Y PROYECCIONES. COMPARACIÓN DE PREDICCIONES.
● Modelos lineales y poyecciones de ventas y acciones de clientes
● Regresiones lineales y no lineales: datos de entrenamiento y datos de prueba
● ¿Cómo construir un modelo predictivo evitando el overfitting?
● Métricas para evaluar cuán efectivos resultaron los modelos predictivos.
Módulo
3. MODELOS PREDICTIVOS: ÁRBOLES Y RANDOM FOREST
● Modelos prectivos, árboles de decisión y ensambles.
● Tecnologías para analizar y comparar múltiples modelos a la vez para un mismo set de datos.
● Problemas de Churn y su relación con los árboles de decisión
Módulo
4. MÉTRICAS: LO QUE MEDIMOS NOS DEFINE
● IA para la medición y el análisis de métricas de rendimiento y KPIs en el proceso comercial.
● Correlación y causalidad. Ventajas de las métricas.
● Visualización de las métricas.
Módulo 5. SEGMENTACIÓN: CADA COSA EN SU LUGAR
● Segmentación y su importancia en la estrategia comercial
● Tipos de segmentación
● Algoritmos de clustering: problemas supervisados y no supervisados
● Redes neuronales y problemas de clasificación
Módulo 6. NLP Y PROCESAMIENTO DE LENGUAJE
● Procesamiento de lenguaje natural en documentos
● Clasificación
● Análisis de sentimientos
● Transformers
Módulo 7. APLICACIONES
● Discusión sobre pricing dinámico
● IA para influir en la decisión de un cliente
● Casos de combinación entre predicción e influencia sobre un cliente
● Reinforcement Learning, Deep Learning y árboles de decisión para abordar el problema del pricing dinámico
Módulo 8. APRENDIZAJE AUTOMÁTICO E INTELIGENCIA ARTIFICIAL: APLICABILIDAD
● Problemas de Computer Vision
● Casos de NLP y procesamiento de documentos de la empresa
● Detección de anomalías en nuestro set de datos utilizando Machine Learning y Deep Learning