Plan de Estudios

Módulo 1 - Introducción: cambios en el trabajo comercial en la época de los datos.
  • Introducción a temas de transformación digital. Por qué cambia el proceso comercial. 
  • Qué es big data. Qué son data mining y data science. Cómo aprovechar información existente en las organizaciones.
  • Análisis de datos como proceso continuo.
  • Principales desafíos de la época de los datos, como aprovechar la información. 
Módulo 2 - Calentando motores: análisis de CHURN (abandono).
  • Qué es churn. Por qué y para quién es un problema.
  • Análisis de churn y problemas relacionados.
  • De CHURN a problemas de decisión.
Módulo 3 - Modelos predictivos. Árboles, forestas, metodología de trabajo.
  • Qué es un modelo. Qué es un modelo predictivo.
  • Problemas en el armado de un modelo y su evaluación.
  • Ventajas de usar un modelo predictivo en la tarea comercial.
  • Ejemplo de armado de un modelo predictivo: árboles de decisión.
  • Cómo construir un árbol. Algoritmos automáticos para la construcción de árboles.
  • Evaluación de modelos.
  • Generalización: de árboles a forestas. Modelos múltiples. 
  • Más allá de clasificar: predecir valores y rangos.

Módulo 4 - Métricas. Lo que medimos nos define. 
  • ¿Qué medir? Métricas, KPIs.
  • ¿Para qué medir? Lean analytics.
  • Métricas pirata de McClure
  • ¿Qué métricas usar? Ejercicios de medición: loyalty.
  • Correlación y causalidad. Problemas que surgen en la práctica al analizar métricas (paradoja de Simpson y otros entretenimientos bayesianos).
Módulo 5 - Segmentación: cada cosa en su lugar. 
  • Segmentación: cambios en la forma de ver a los clientes. De factores demográficos a comportamiento.
  • Ejemplos de segmentación automática. Uso de un algoritmo: k-means.
  • Relación entre segmentación y clasificación. Por qué se habla de modelos “no supervisados”.
  • Analizando otros cortes (y cohortes).
Módulo 6 - Personalización: Uma Thurman vs John Travolta
  • ¿Quiero predecir o influir? De modelos predictivos a personalización. Miremos un poco qué hace Netflix.
  • Sistemas de recomendación (como recomendar algo a un cliente basado en elecciones anteriores).
  • Alternativas a la recomendación. Personalización como segmentación extrema.
  • Cómo mejorar el cross selling (usando reglas de asociación).
Módulo 7 - Forecasting: cómo predecir el futuro y vender más shampoo
  • Introducción al forecasting. Miremos un poco qué hizo Wallmart.
  • Métodos cuantitativos. Regresiones lineales. Regresiones múltiples.
  • Introducción a técnicas avanzadas: lagging, ARIMA.
  • Problemas prácticos del forecasting. Valor y error no son lo mismo.
  • Problemas prácticos del trabajo con datos. Silos de información en las organizaciones.
Módulo 8 - Los modelos no son la realidad: testeando y prediciendo en la práctica.
  • Test A/B. Cómo nace y qué es. Algunos ejemplos.
  • Más allá del test A/B: multi armed bandits
  • Análisis de datos “de punta a punta”: un ejemplo concreto.
  • Discusión sobre aplicaciones al pricing dinámico.
Módulo 9 - El futuro: aprendizaje automático.
  • Aprovechando las plataformas de aprendizaje automático en el proceso comercial.
  • Del CRM a las recomendaciones automáticas. Uso de reconocimiento facial y otras técnicas.
  • Estrategia de uso de datos.
La UTDT se reserva el derecho de modificar los módulos, sus contenidos y los profesores, garantizando la calidad de los mismos