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