FORMATO SYLLABUS

PROGRAMA TODOS A LA U
1. GENERALIDADES DEL CURSO

MODALIDAD: VIRTUAL ___X___ PRESENCIAL ___________

1.1 NOMBRE DEL CURSO A DESARROLLAR Y NIVEL

Habilidades básicas para analista de datos

1.2 JUSTIFICACIÓN Y/O DESCRIPCIÓN DEL CURSO

La toma de decisiones en las organizaciones se basa en información. La disponibilidad de una

gran cantidad de datos en el marco de la cuarta revolución industrial ha requerido que las
organizaciones, públicas o privadas, adopten procesos para el análisis de datos y convertirlos en
información. Con este curso se busca que los estudiantes adquieran los conocimientos
necesarios para contribuir en las actividades esenciales de los equipos de analítica enfocados en
la inteligencia de negocio, por medio de herramientas de tipo clic and point y nociones de
lenguajes de programación.

1.3 POBLACIÓN OBJETIVO:

Ciudadanos mayores de 18 años con educación media culminada, con residencia en la ciudad de
Bogotá, que declaren contar con las herramientas tecnológicas para desarrollar la formación. Al
menos el 10% de los participantes son jóvenes y el 20% de las participantes son mujeres.

1.4 PERFIL DE ENTRADA. Describa si se requieren conocimientos previos.

Este curso no requiere conocimientos previos.

1.5 OBJETIVO DEL CURSO.

Al finalizar el curso el estudiante estará en la capacidad de aplicar las principales herramientas

de procesamiento de datos para contribuir en las actividades esenciales de los equipos de
analítica enfocados en la inteligencia de negocio.

1.6 PERFIL DE SALIDA. Describa las competencias que tendrá el estudiante una vez finalice el curso y
los posibles perfiles de colocación en el mercado laboral.

El analista de datos genera información relevante que ayude a tomar decisiones de inversión y
de estrategia dentro de las organizaciones a partir del conocimiento del negocio. Recopila,
procesa, crea visualizaciones a partir de grandes cantidades de datos, proveniente de diferentes
fuentes. Este rol le permitirá al estudiante contribuir a la dinámica de trabajo de los equipos de
analítica, en donde interactuará con profesionales como ingeniero(a)s de datos, científico(a)s de
datos o ingeniero(a)s de inteligencia de negocios (business intelligence), en los cuales se podrá
formar a medida que continue sus estudios y adquiera experiencia.

1.7 COMPETENCIAS Y HABILIDADES. Describa las competencias y habilidades a adquirir con el

desarrollo del curso.

1. Comprender los principales conceptos matemáticos y de estadística descriptica usados

en el contexto del análisis de datos.
2. Aplicar herramientas matemáticas para la resolución de problemas de análisis de datos
sencillos.
3. Analizar un comportamiento o una situación utilizando conceptos básicos de
estadística.
4. Comprender el uso de hojas de cálculo para analizar datos con conceptos matemáticos
o de estadística descriptiva.
5. Generar conocimiento significativo sobre alguna situación a partir de la exploración de
datos.
6. Comprender los conceptos esenciales de la inteligencia de negocios para apoyar la
toma de decisiones en las organizaciones.
7. Crear cuadros de control interactivos y reportes para la presentación de resultados de
análisis de datos simples y complejos.
8. Comprender y aplicar los conceptos esenciales del pensamiento algorítmico en el
análisis de datos
9. Evaluar las fuentes de información (como documentación, blogs, casos de estudio, etc)
para la resolución de problemas de análisis de datos con lenguajes de programación,
como Python
10. Comprender y aplicar las mejores prácticas de programación que permitan el trabajo
colaborativo más eficiente.
1.8 HORAS TOTALES DEL CURSO

220 horas.

1.9 HORAS SINCRÓNICAS Y ASINCRÓNICAS DEL CURSO

132 horas sincrónicas y 88 horas asincrónicas

1.10 METODOLOGÍA DE APRENDIZAJE. Especificar cuáles son las metodologías de formación con las
que se desarrollará el programa y sus ventajas (aprendizaje basado en proyectos, en retos, etc.).
Además, relacionar qué tipo de actividades se tendrán durante el desarrollo del curso y los módulos.

La estrategia metodológica para emplear será blended e-learning, que flexibiliza el proceso de
enseñanza – aprendizaje gracias a la gama de recursos tecnológicos que pueden utilizarse
mediante el contacto sincrónico con los tutores y entre los propios estudiantes. Las sesiones
sincrónicas son un momento del aprendizaje donde hay interacción entre los tutores y los
estudiantes. Las actividades asincrónicas permiten a los estudiantes tener más momentos de
aprendizaje a través de la indagación y el estudio autónomo.

Las sesiones sincrónicas tendrán un enfoque principalmente práctico y una duración entre dos y
tres horas, con una pausa de 10 o 15 minutos. Por lo general, al inicio de las sesiones se
explicarán los conceptos a estudiar, se realizará una motivación de las actividades a realizar y se
explicará el desarrollo de cálculos o el uso de herramientas a través de ejercicios o casos basados
en situaciones reales. En todos los módulos, el aprendizaje estará enfocado con el desarrollo de
capacidades para el análisis de datos.

Las actividades asincrónicas comprenden la realización de lecturas, ejercicios o proyectos, de

acuerdo con la temática de cada módulo. Estas actividades comprenden parte del componente
de evaluación de cada módulo, para hacer seguimiento cada semana al avance de los
estudiantes. Adicionalmente, los módulos fueron diseñados para ofrecer la adquisición de las
competencias precisas y estimular el avance del proceso formación, a partir del logro de
pequeños objetivos con las actividades prácticas, tanto sincrónicas como asincrónicas.

La estrategia se realizará en línea a través de la plataforma Bloque Neón, que permite

complementar el aprendizaje autónomo con didácticas como proyectos guiados, casos de
estudio, laboratorios sincrónicos. Se busca que estas didácticas complementen el saber técnico
específico con habilidades y competencias blandas como el trabajo en equipo, autodisciplina,
pensamiento crítico, creatividad, comunicación, razonamiento, entre otras.

La flexibilidad de esta metodología permitirá que los estudiantes gestionen sus tiempos y
recursos con las facilidades de acceso a la tutoría y acompañamiento en la adquisición de sus
 habilidades, lo cual propende al logro de un mejor enfoque de su atención hacia la búsqueda de
información y datos pertinentes con su estudio. Con la posibilidad de acceder al aprendizaje
acompañado en línea, el estudiante no tiene la necesidad de transportarse hacia las aulas físicas,
ahorrando tiempo y dinero.

1.11 MÓDULOS DEL CURSO. Incluya el número de cada módulo en su orden de estudio, y describa
para cada uno de ellos el objetivo y competencias a desarrollar.

1. Fundamentos de matemáticas y estadística descriptiva para el análisis de datos

Objetivo
Comprender los conceptos de matemáticas y estadística descriptiva utilizados para desarrollar
análisis de datos en las organizaciones.

Competencias
1. Comprender los principales conceptos matemáticos y de estadística descriptica usados
en el contexto del análisis de datos.
2. Aplicar herramientas matemáticas para la resolución de problemas de análisis de datos
sencillos.
3. Analizar un comportamiento o una situación utilizando conceptos básicos de estadística.

2. Herramientas para la exploración y el análisis de datos (Excel)

Objetivo
Aplicar los conceptos matemáticos y de estadística descriptiva más utilizados en la industria para
el manejo, exploración y análisis de datos en el ambiente de las hojas de cálculo.

Competencias
1. Analizar un comportamiento o una situación utilizando conceptos básicos de estadística.
2. Comprender el uso de hojas de cálculo para analizar datos con conceptos matemáticos o
de estadística descriptiva.
3. Generar conocimiento significativo sobre alguna situación a partir de la exploración de
datos.

3. Herramientas para el análisis interactivo de datos (Power BI)

Objetivo
Explorar y analizar datos por medio de objetos visuales interactivos a partir de conceptos
esenciales de inteligencia de negocios

Competencias
1. Analizar un comportamiento o una situación utilizando conceptos básicos de estadística.
2. Generar conocimiento significativo sobre alguna situación a partir de la exploración de
datos.
 3. Comprender los conceptos esenciales de la inteligencia de negocios para apoyar la toma
de decisiones en las organizaciones.
4. Crear cuadros de control interactivos y reportes para la presentación de resultados de
análisis de datos simples y complejos.

4. Herramientas de programación para el análisis de datos

Objetivo
Aplicar nociones de programación para el manejo, exploración y análisis de datos en ambientes
de procesamiento basado en código.

Competencias
1. Generar conocimiento significativo sobre alguna situación a partir de la exploración de
datos.
2. Comprender y aplicar los conceptos esenciales del pensamiento algorítmico en el análisis
de datos
3. Evaluar las fuentes de información (como documentación, blogs, casos de estudio, etc)
para la resolución de problemas de análisis de datos con lenguajes de programación,
como Python
4. Comprender y aplicar las mejores prácticas de programación que permitan el trabajo
colaborativo más eficiente.

1.12 CONTENIDOS DE CADA MÓDULO. Enumere los contenidos/temáticas/unidades de cada

módulo, y describa para cada uno de ellos los objetivos de aprendizaje (en el caso de que sean
unidades).

Cada módulo comprende varias unidades, que a su vez se desagregan en temáticas específicas.
El primer nivel jerárquico es el módulo
El segundo nivel jerárquico es la unidad, donde se incluye aquí su objetivo de aprendizaje
específico

1. Fundamentos de matemáticas y estadística descriptiva para el análisis de datos

1.1. Matemáticas para el análisis de datos: Comprender los conceptos que le permiten al
analista de datos entender los resultados de las operaciones de manejo de datos y los
lenguajes de programación.
1.1.1.Lógica matemática
[Link]ía de conjuntos
[Link] básicas con matrices
1.2. Estadística descriptiva: Comprender los conceptos básicos para el analizar el
comportamiento de un conjunto de datos
[Link] de tendencia central
[Link] de dispersión
2. Herramientas para la exploración y el análisis de datos (Excel)
2.1. La hoja de cálculo: Comprender las condiciones técnicas, capacidades y situaciones de
uso de una hoja de cálculo.
2.2. Carga de datos: Comprender las mejores prácticas para la ingesta de datos en Excel.
 [Link] directa
[Link]ón a Power Query
2.3. Funciones: Comprender las funciones más útiles de una hoja de cálculo, para la vida
cotidiana y en el contexto del análisis de datos. Formalización de la sintaxis de una
función.
[Link] de funciones lógicas y estadísticas (Repaso)
[Link] de funciones de tiempo
2.3.3.Cálculo de una cuota de un préstamo con funciones financieras.
2.4. Gráficos: Aplicar los conceptos esenciales de visualización para generar gráficos
elementales y practicar su generación en Excel.
[Link]áficos para analizar categorías
[Link]áficos para analizar relaciones entre variables continuas
2.5. Análisis interactivo: Comprender y aplicar conceptos para la segmentación y la
agregación de datos
[Link]ón de datos - análisis con categorías
[Link] dinámicas
3. Herramientas para el análisis interactivo de datos (Power BI)
3.1. Conceptos de inteligencia de negocios: Comprender las categorías y los procesos a
través de los cuales los datos se convierten en información para la toma de decisiones.
3.2. Carga de datos: Aplicar conceptos de calidad de datos para la limpieza y análisis
exploratorio con Power Query
[Link] de calidad de datos en la inteligencia de negocios
[Link] de Power Query para la carga de datos en Power BI
3.3. Objetos visuales: Generar y evaluar preguntas orientadas al conocimiento de la
operación de un negocio
[Link] visuales básicos
[Link] entre objetos visuales
3.4. Modelo de datos: Evaluar la relación entre diferentes tablas que pueden ser
consultadas simultáneamente
3.5. Diseño de una visualización: Crear un ambiente de exploración que permita dar
respuesta a una serie de preguntas de negocio
[Link]ño de páginas
[Link]ón entre páginas
[Link]ón de una visualización
4. Herramientas de programación para el análisis de datos
4.1. Pensamiento algorítmico: Comprender el concepto de algoritmo y su importancia en la
generación de procesos de análisis de datos
[Link]
[Link]
4.2. Estructuras de programación: Aplicar la generación de algoritmos por medio de las
estructuras básicas de programación con Python
[Link] condicional
[Link] iterados
4.3. Operaciones para el análisis de datos: Comprender las técnicas más importantes para la
manipulación de bases de datos con código en Python
[Link]ón vertical y horizontal
[Link] – Unpivot
 [Link]ón y resumen
4.4. Gráficos: Aplicar los conceptos de visualización para explorar datos a través de gráficos
con código en Python.
[Link]áficos de una entrada para analizar categorías
[Link]áficos de dos entradas para analizar relaciones entre variables continuas

1.13 TIEMPO DE FORMACIÓN TOTAL Y POR MÓDULO. En semanas

Tiempo de formación total: 24 semanas

Tiempo de formación total para cada módulo: 6 semanas

1.14 EVALUACIÓN DEL CURSO. Detalle cómo se realizará la evaluación del curso y de los módulos.
Cómo se valida que un estudiante haya pasado los contenidos y actividades de los módulos. Incluir
porcentajes de aprobación.

Quiz semanal (14%x5=70%): Las actividades asincrónicas del curso incluyen evaluaciones con
cuestionarios de selección múltiple en las primeras 5 semanas.

Trabajo final (30%): En la última semana se presenta un trabajo de cierre que puede ser un taller,
o un proyecto final, según el tema del módulo.

1.15 RESUMEN TÉCNICO DEL CURSO . Por favor describa para cada módulo/unidad la información
que se solicita a continuación:
MÓDULO UNIDADES/ I.H Horas Horas Horas REQUISITOS
TEMÁTICAS semanal totales del sincrónicas asincrónicas PARA LA
módulo del Módulo del módulo APROBACIÓN
DEL MÓDULO
1. Fundamentos U1. 10, 55 33 22
de Matemáti entre [Link]ón del
sesione 70% de las
matemáticas y cas para evaluaciones del
estadística el análisis s módulo.
de datos sincróni 2. Entrega del
descriptiva
cas y trabajo final
para el análisis U2.
activida
de datos Estadístic
des
a asincró
descriptiv nicas
a

2. Herramientas U1: La 10, 55 33 22

para la hoja de entre [Link]ón del
 exploración y el cálculo sesione 70% de las
evaluaciones del
análisis de U2: Carga s
módulo.
datos (Excel) de datos sincróni 2. Entrega del
U3: cas y trabajo final
activida
Funcione
des
s asincró
U4: nicas
Gráficos
U5:
Análisis
interactiv
o
7. Herramientas U1: 10, 55 33 22
para el análisis Concepto entre [Link]ón del
sesione 70% de las
interactivo de s de evaluaciones del
datos (Power inteligenc s módulo.
sincróni 2. Entrega del
BI) ia de
cas y trabajo final
negocio activida
U2: Carga des
de datos asincró
U3: nicas
Objetos
visuales
U4:
Modelo
de datos
U5:
Diseño de
una
visualizac
ión
12. Herramientas U1: 10, 55 33 22
de Pensamie entre [Link]ón del
sesione 70% de las
programación nto evaluaciones del
para el análisis algorítmi s módulo.
sincróni 2. Entrega del
de datos co
cas y trabajo final
U2: activida
Estructur des
as de asincró
programa nicas
ción
U3:
Operacio
nes para
el análisis
de datos
U4:
Gráficos
1.16 NOMBRE DE LAS CONSTANCIAS DE PARTICIPACIÓN A OBTENER. Tener en cuenta que ninguna
constancia de participación debe superar las 160 horas, si van a ser otorgadas por módulo por favor
relacione el nombre de cada una.

1. Fundamentos de matemáticas y estadística descriptiva para el análisis de datos.

2. Herramientas para la exploración y el análisis de datos (Excel)
3. Herramientas para el análisis interactivo de datos (Power BI)
4. Herramientas de programación para el análisis de datos