CIENCIA DE DATOS:

VINCULANDO LOS PRINCIPIOS

CON LA PRÁCTICA

Desarrolla conocimientos y habilidades relacionadas con el análisis

y la interpretación de datos para tomar decisiones
con seguridad y confianza en tu organización.
 PANORAMA
GENERAL

Miedo a la disrupción. He aquí un sentimiento bastante común en el panorama actual de los negocios: miedo
a que una compañía más inteligente y más ágil aproveche los datos de tal forma que obtenga una ventaja
competitiva. Para combatir este temor, muchos líderes de opinión, incluyendo los de Berkeley Executive
Education, creen que todas las compañías deben empezar a pensar en sí mismas como “compañías de
datos”, pues es esa capacidad la que realmente las llevará a tener mejores rendimientos.

Invertir en Big Data y tecnologías relacionadas no tiene precedentes. Sin embargo, de acuerdo con una
investigación de New Vantage Partners, solo el 48% de las compañías dice que compite en el campo de la
analítica de datos; solo 31% ha logrado crear una organización impulsada por los datos, y solo el 28%
cuenta con una cultura forjada sobre datos. El reto de aprovechar el potencial del Big Data no recae en la
tecnología en sí misma, sino en la transformación de la gente, la cultura y los procesos.

Prepárate para ensuciarte las manos con datos a lo largo de este programa. Ciencia de Datos: Vinculando
los Principios con la Práctica, de Berkeley Executive Education, ayuda a los administradores de negocios
a entender qué es la ciencia de datos y la analítica, así como muchas de las técnicas más comunes para
manipular y analizar datos. Al final del programa serás capaz de trabajar eficientemente con ciencia de datos
y equipos de analítica para la toma de decisiones y para obtener resultados exitosos en tu organización.

“No giramos alrededor de las matemáticas. Si quieres dominar conocimientos que te

permitan hacer mucho más que identificar tendencias en un reporte de Google Analytics,
este programa de ciencia de datos te brinda la posibilidad de ir mucho más allá y desarrollar
una verdadera ´alfabetización´ en el interpretación de datos.”
-Steve Tadelis, Catedrático en Negocios James J. and Marianne B. Lowrey, Haas School of Business
¿PARA QUIÉN ES ESTE PROGRAMA?
Este programa es para colaboradores independientes, gerentes generales y de mando medio del sector público
o privado, que buscan adquirir experiencia práctica y rigurosa mediante métodos modernos de análisis de datos.

Roles representativos e industrias que pueden beneficiarse:

• Gerentes que manejen o vayan a manejar equipos de ciencia de datos o proveedores.

• Profesionales del marketing.
• Ingenieros de producto, gerentes de producto y gerentes de I&D.
• Estrategas y consultores de negocios/tecnología.
• Profesionales de recursos humanos.
• Industrias impulsadas por tecnología en donde el análisis de datos es crítico, incluyendo ventas,
tecnologías de información, comercio electrónico, servicios financieros, fintech, salud y manufactura.

PREPÁRATE PARA ALFABETIZARTE EN CIENCIA DE DATOS

Aun cuando no es un requisito tener conocimientos de código, en este programa es importante contar con
aptitudes para el manejo de conceptos cuantitativos. Tanto en el trabajo que realizarás antes de terminar el
curso, como en la semana 1, se hará una revisión de conceptos matemáticos y estadísticos como media, desviación
estándar, gráficas, histogramas, funciones lineales y logarítmicas. Además, habrá una sesión semanal previa a cada
clase para introducir conceptos clave para el siguiente módulo. Esto con el fin de que los participantes que deseen
refrescar sus conocimientos puedan hacerlo. Para realmente alfabetizarte en lo que se refiere a ciencia de datos,
prepárate para ensuciarte con los datos y recordar algo de matemáticas y estadística. Te apoyaremos durante
todo el camino.

APRENDIZAJES CLAVE:
Adopta una mentalidad impulsada por datos
• Aprende a hacer las preguntas adecuadas a los datos.
• Emplea técnicas comunes para convertir los datos en conocimientos clave para el negocio.
• Descubre qué método utilizar para responder preguntas específicas del negocio.

Aprende a comunicar e interpretar datos

• Con métodos efectivos para presentación de datos.
• Empleando el lenguaje utilizado para comunicarse con científicos de datos.
• Interpretando datos de manera más efectiva, empleando las técnicas más comunes.

Crea una cultura impulsada por datos

• Utiliza tecnología y procesos para implementar un cambio cultural en donde se aprovechen los datos
para definir la estrategia, tomar decisiones y ejecutarlas.
• Aprende cuáles son las habilidades que deben tener los equipos exitosos de ciencia de datos.
 TU VIAJE
DE APRENDIZAJE

Durante este viaje de aprendizaje online a lo largo de 10 semanas tendrás contacto directo con profesores de
Berkeley Executive Education, líderes de la industria y colegas de muchas partes del mundo. Mediante un enfoque
riguroso y práctico, podrás analizar conjuntos de datos utilizando Jupyter Notebook, plataforma de código abierto
que usaremos para realizar análisis computacional. Aun cuando el temario está ya determinado, esta será una
experiencia de aprendizaje ágil, por lo que es posible que también haya oportunidades de aprendizaje dinámico
basadas en sucesos del mundo real.

Entrevistas con líderes de la industria que basan
sus estrategias en datos de compañías líderes
como Google, Oakland A’s, Uber y más.
Sesiones semanales, en vivo, cuyos objetivos son
introducir los conceptos técnicos del siguiente
módulo, brindar horas de asesoría y realizar
revisiones de tareas en vivo.
Webinars en vivo con profesores de Berkeley
Executive Education que incluyen sesiones de
preguntas y respuestas.
Laboratorios de aprendizaje, con duración de dos
semanas, que te permitirán enfocarte en tus
proyectos y profundizar en los datos.
Ejercicios de aplicación utilizando Python en
Jupyter Notebook para visualizar y analizar datos
(calificados como completos o incompletos).
Foros de discusión moderados.

Ciencia de datos y analítica en Berkeley

Nuestro enfoque básico de la ciencia de datos y la analítica cuenta con cuatro pasos. Primero, la motivación:
establece con claridad la pregunta que quieres responder. Segundo, el método: describe los datos que utilizarás y
el enfoque analítico que necesitarás. Tercero, los mecanismos: tú y otros miembros del equipo se arremangarán la
camisa para hacer el trabajo. Finalmente, el mensaje: resume tus resultados y respuestas a la pregunta inicial de
una forma clara y concisa para que puedan entenderlo los líderes de negocio de tu organización.

Motivación Método Mecanismo Mensaje

Haz la pregunta Describe los datos Realiza el análisis Resume los resultados
que quieres contestar y selecciona un y explora el análisis y responde a la pregunta
enfoque de análisis de sensibilidad
 EJEMPLOS DE
COMPAÑÍAS E INDUSTRIA

Ejemplos de compañías:
Los profesores de Berkeley Executive Education tienen fuertes lazos con la industria, incluyendo a varias
de las firmas de tecnología más importantes, en y alrededor de Silicon Valley. El contenido del programa
está inspirado o proviene directamente de investigación y aplicaciones de compañías como:

Amazon Uber eBay Gallup StubHub

Ejercicios de aplicación:
Campaña publicitaria de Rocket Fuel
Rocket Fuel es una empresa de publicidad digital que optimiza el marketing digital a
través de Big Data y Machine Learning. Utilizarás Python para organizar y visualizar
datos de una campaña de publicidad; después realizarás una prueba A/B para
determinar si la campaña fue exitosa o no.

Capital Bikeshare
Capital Bikeshare es una empresa de bicicletas compartidas a la que le interesa
predecir cuántos pasajeros puede llegar a tener en un día determinado. Utilizarás
Python para generar y analizar resúmenes estadísticos y para crear modelos de
regresión para intentar predecir el número de conductores de bicicletas en un día
determinado.

Deserción de empleados en IBM

Trabajarás con un conjunto de datos ficticio, creado por IBM para intentar predecir si
un empleado dejará o no su trabajo. En Jupyter Notebook utilizarás Scikit-Learn,
software gratuito, de código abierto, para Machine Learning en Python, para crear,
entrenar y evaluar su modelo de Machine Learning.
 Ejemplos de la industria:
Existimos en un contexto de analítica económica en el que cualquier organización puede beneficiarse de la
obtención de mejores habilidades relacionadas con la alfabetización de datos. Este programa te ofrece varios
ejemplos de la industria en sectores como:

Fintech / Servicios Salud Tecnología Manufactura Ventas

Financieros de información minoristas

Nota: Todos los nombres de los productos y los nombres de las compañías son marcas registradas™ propiedad
de sus respectivos propietarios. Su utilización no implica ninguna afiliación o apoyo.
 MÓDULOS DEL PROGRAMA
MÓDULO 1
Toma de decisiones con
modelos probabilísticos
Te daremos una introducción a los conceptos básicos
detrás de la ciencia de datos y la analítica antes de
explorar los fundamentos de los datos.
• Identifica la diferencia entre datos numéricos
y categóricos.
• Explora las formas básicas en las que los datos
revelan información.
• Explora la relación entre variables categóricas
y variables numéricas.
• Ejemplo de la industria de la salud: Membresía
HMO y visitas médicas utilizando datos agregados.
• Introducción a Jupyter Notebook, Python y Pandas.
MÓDULO 3
Prueba de hipótesis
Tomar decisiones de negocio basadas en datos
depende de hipótesis bien articuladas que, a su vez,
dependen de pruebas estadísticas. Cubriremos los
asuntos más importantes relacionados con este tema,
incluyendo comparaciones estadísticas, intervalos de
confianza y márgenes de error.
• Identifica los principios básicos de la experimentación.
• Identifica y discrimina entre pruebas estadísticas
de un lado y de dos lados (bilateral).
• Completa conjuntos de problemas utilizando el modelo
4M (Motivación, Método, Mecanismo, Mensaje).
• Ejemplo: 24 Hour Fitness prueba una nueva dieta
propia haciendo pruebas entre grupos de control
y grupos de tratamiento.
MÓDULO 2
Crear muestras de datos
Cubriremos las definiciones clave de términos
relacionados con encuestas, así como métodos en
los que se utiliza el muestreo para analizar los pros
y contras de decisiones de negocio a través de la
exploración de muestreo, errores tipo I, errores tipo II
y límites de control.
• Aprende a definir tipos de muestras de datos,
variación de muestreo y calidad.
• Identifica y define los conceptos básicos para el
muestreo.
• Identifica y mitiga los sesgos en muestras de datos.
• Ejemplos para ilustrar probabilidad conjunta,
marginal y condicional: Comcast, Google y Nextag.
MÓDULO 4
Extrapolar información
de muestras de datos
Exploraremos los patrones lineales y curvos más
comunes y veremos las diferentes formas de hacer
que los datos se ajusten a modelos lineales. Una
parte central será entender las exigencias del
mercado, fijación de precios y elasticidades.
• Identifica las condiciones para utilizar e interpretar
patrones lineales y curvos.
• Examina patrones curvos (no lineales)
aplicados al peso de un vehículo y a la eficiencia
de combustible.
• Completa conjuntos de problemas utilizando el
modelo 4M para tarjetas de crédito y crimen,
y para los precios de casas en Filadelfia.
MÓDULO 5
Modelos básicos de regresión
El análisis de regresión simple y los modelos de
regresión múltiple son el corazón de las decisiones
de negocio más elaboradas basadas en datos.
Nos enfocaremos en entender cómo se utilizan estos
modelos, las suposiciones que hacen que su
utilización sea válida y cómo aprovechar dichos
modelos para tomar mejores decisiones de negocio.
• Define y aplica el modelo de regresión simple
e identifica las condiciones para utilizarlo.
• Aplica e interpreta intervalos de predicción.
• Identifica los tres problemas principales que afectan
los modelos de regresión: cambiar la variación de
los datos, valores atípicos y dependencia entre
las observaciones.
• Ejemplo de ventas: utiliza modelos de regresión
para determinar la ubicación de una franquicia.
MÓDULO 7
Pronóstico de Machine Learning
Dejaremos de lado el mito del Machine Learning,
aprendiendo lo básico y estudiando diferentes
aplicaciones.
• Comprende la diferencia entre aprendizaje
supervisado, semisupervisado y no supervisado.
• Examina los diferentes enfoques de Machine
Learning, incluyendo el método de la “bolsa de
palabras” para aprendizaje supervisado,
• Practica la realización de pronósticos utilizando
regresiones de series de tiempo.
• Ejemplo de ciberseguridad: Machine Learning para
detección de spam.
Nota: Para poder ayudarte a explorar algunas de las técnicas que te llevarán a tomar mejores decisiones basadas en datos,
se llevarán a cabo laboratorios de aprendizaje con duración de dos semanas para que tengas la posibilidad de profundizar
más en los datos. Esto es parte de las 10 semanas de las que consta el programa en su totalidad.
MÓDULO 6
Modelos avanzados de regresión
Construye sobre lo básico para definir el modelo de
regresión múltiple y explora diferentes casos de uso.
• Discrimina entre pendientes marginales y parciales.
• Articula inferencias en el modelo de
regresión múltiple.
• Resume el proceso de ajuste y desarrollo
de un modelo de regresión múltiple.
• Ejemplo financiero: desarrolla un modelo de
regresión múltiple, cuyo objetivo sea explicar
los retornos en las acciones de Sony.
• Ejemplo de recursos humanos: analiza datos
de salarios utilizando MRM para identificar
desigualdades de género.
MÓDULO 8
Desarrollo de equipos efectivos
en ciencia de datos
Con los conceptos clave y algunas de las
herramientas más utilizadas, concluiremos
profundizando en las competencias que definen a los
equipos de ciencia de datos eficientes y aprendiendo
cómo construir una cultura basada en datos en
tu organización. Se hará hincapié en las posibles
dificultades y se diseñarán estrategias para trabajar
de manera efectiva con científicos de datos.
• Revisa los requerimientos para el desarrollo
de un equipo efectivo de ciencia de datos.
• Continúa con el desarrollo de una cultura basada
en datos.
• Ejemplo de publicidad Rocket Fuel: tasas de
conversión, beneficios, ROI, costo de oportunidad
y prueba A/B.
 PROFESORADO
STEVE TADELIS
Catedrático en Negocios de James J.
and Marianne B. Lowrey, Haas School of Business

Antes de Berkeley Haas, Steve fue profesor asistente en la Universidad de Stanford por ocho años.

Steve también ha ocupado posiciones como director senior y economista distinguido en eBay Research
Labs (2011-13) y fue vicepresidente de Economía y Diseño de Mercado, en Amazon (2016-17), en donde
aplicó herramientas de investigación económica a una variedad de productos y aplicaciones de negocio,
trabajando con tecnólogos, científicos especializados en Machine Learning y líderes de negocio. A la
fecha, sigue como asesor de medio tiempo de Amazon como Amazon economist fellow.

Las investigaciones actuales de Steve se centran en ecommerce, organización industrial, adquisiciones y

contrataciones, conducta del consumidor y la teoría de los juegos.

Algunas de sus distinciones incluyen:

• Mención honorífica, Cheit Teaching Award, Programa de MBA de tiempo completo, 2010-2011
• Premio Montias – mejor artículo publicado en el Journal of Comparative Economics, en 2010-2011
• Barbara and Gerson Bakar Faculty Fellow, UC Berkeley Haas School of Business, 2008-2015
• Phi Beta Kappa Undergraduate Teaching Award, Universidad de Stanford, 2005
• Department of Economics Advising Award, Universidad de Stanford, 2002
 SHACHAR KARIV
Profesor de Economía de Benjamin N. Ward,
Haas School of Business

Shachar es expresidente de departamento y director de la Facultad del Experimental Social Science

Laboratory (Xlab). Su investigación sobre economía de comportamiento y economía experimental ha
proporcionado herramientas innovadoras para entender las preferencias y actitudes de cada individuo
hacia el riesgo y el tiempo, lo que cubre prácticamente todos los aspectos relacionados con la toma de
decisiones.

Su experiencia académica incluye posiciones de profesor visitante en la Universidad de Stanford, la

Universidad de Princeton, la Universidad de Oxford, la Universidad de Cambridge, el European University
Institute y la Norwegian School of Economics, entre otros. Shachar es cofundador científico jefe en Capital
Preferences, compañía que ha revolucionado la asesoría de inversiones empresariales, préstamos,
seguros y soluciones de mercado de talento.

Algunas de sus distinciones incluyen:

• Premio a la Excelencia en Enseñanza Earl F. Cheit, UC Berkeley, Haas School of Business, 2012
• Alfred P. Sloand Research Fellowship, 2009
• Distinguished Teaching Award, UC Berkeley, División de Ciencias Sociales, 2006-2007
• Outstanding Advising Award, UC Berkeley, Departamento de Economía,
Graduate Economics Association, 2006-2007
 •

CERTIFICADO

Una vez completado satisfactoriamente el programa, Berkeley Executive Education otorga un certificado
digital verificado a los participantes. El programa se califica como aprobado o no aprobado. Los
participantes deben completar como mínimo el 80% del curso para obtener el certificado.

Nota: Una vez que completes satisfactoriamente el curso, se te enviará el certificado digital a tu correo electrónico
con el nombre que utilizaste en tu registro. Todas las imágenes del certificado son meramente ilustrativas; la forma
de verse el certificado puede cambiar a discreción de Berkeley Executive Education.
 SOBRE EMERITUS
DURACIÓN Berkeley Executive Education colabora con el proveedor
de educación en línea EMERITUS, para ofrecer
10 semanas un portafolio de cursos online de alto impacto. Estos
6–8 horas por semana* programas apuntalan a Berkeley Executive Education
como líder en práctica administrativa desarrollada después
de años de investigación, enseñanza y aplicación.
COSTO DEL PROGRAMA Al trabajar con EMERITUS, tenemos la posibilidad
$1,950 USD de expandir nuestras fronteras más allá de nuestros
campus, en un formato de colaboración atractivo
que nos permite mantenernos fieles a la calidad que
caracteriza a la Universidad de California, Berkeley.

El método académico de EMERITUS consta de un diseño

basado en grupos, pues su objetivo es maximizar las
dinámicas entre pares. Incluye sesiones con profesores
de clase mundial y aprendizaje basado en proyectos.
En el último año, más de 16,000 estudiantes de más
de 132 países se han beneficiado a nivel profesional
de los cursos de EMERITUS.
* El tiempo requerido para terminar los módulos,
las tareas y asistir a las sesiones de soporte en vivo
varía dependiendo de tus habilidades técnicas y contexto.
Este es un estimado del tiempo que se requiere para
completar el programa de manera satisfactoria.
 LA EXPERIENCIA
DE APRENDIZAJE

Nuestros programas están diseñados para satisfacer las necesidades de diversos estilos de aprendizaje,
al tiempo que aprovechan el potencial del aprendizaje entre pares. Esto se logra a través de una
plataforma amigable que permite a los participantes navegar de forma sencilla en el contenido del
programa y así lograr sus objetivos de aprendizaje.

APRENDIZAJE REAL
Nuestro enfoque académico está diseñado
con el objetivo de traer los conceptos a la
vida real, tales como:

• Técnicas de microaprendizaje
• Aplicaciones en el mundo real
• Aprendizaje entre pares
• Enseñanza interactiva y en vivo

APRENDIZAJE CONVENIENTE
El acceso al contenido del curso es flexible y está disponible a través de múltiples dispositivos, lo que
permite a los profesionistas coordinar sus horarios y aprender de manera remota, donde sea, cuando
sea. Los participantes inscritos al programa tienen acceso a los materiales de forma modular: cada
semana se publica nuevo contenido. Los módulos del programa integran distintos instrumentos de
enseñanza como:
• Clases en video
• Foros de discusión
• Materiales para la clase: artículos, casos
• Quizzes
• Encuestas
• Tareas

Con el objetivo de personalizar los módulos del programa, se calendarizan sesiones en vivo durante el
curso, normalmente con tiempo para preguntas y respuestas. Los participantes que no puedan
conectarse a las sesiones en vivo podrán consultar las grabaciones. Nuestra plataforma de aprendizaje
líder en la industria permite a los participantes crear un perfil, conectarse y colaborar con otros
estudiantes, así como interactuar con académicos y expertos en la industria, como los líderes del
programa, coaches y los asistentes de los profesores. Usualmente las tareas están ligadas a situaciones
de la vida real, lo que hace que los conceptos se vuelven inherentemente prácticos.

APRENDIZAJE INTERESANTE
Nuestras aulas conectadas globalmente permiten a los participantes interactuar con otros colegas para
completar los trabajos y terminar el programa, enriqueciéndose culturalmente en el camino.

REQUERIMIENTOS DEL PROGRAMA

Para tener acceso a nuestros programas los participantes necesitarán:

• Una dirección válida de correo electrónico.
• Un dispositivo conectado a Internet: PC/laptop,
tableta o teléfono inteligente.
• La última versión del buscador de su elección para
poder entrar a la plataforma de aprendizaje.
• Microsoft Office y programa para abrir PDF,
con el objetivo de acceder a documentos
como hojas de cálculo, presentaciones,
archivos PDF y transcripciones.

OTROS REQUERIMIENTOS
Algunos programas necesitan de cierto tipo de software, herramientas y aplicaciones. Se informará
a los participantes de los requerimientos adicionales en la fase de registro o cuando inicie el programa.
Nuestros asesores están disponibles para responder cualquier duda sobre los requerimientos.
CONTACTA A UN
ASESOR DE PROGRAMA

Email: admisiones.latam@emeritus.org

En colaboración con