Clase 1 - La necesidad de información en la Industria 4 0

Vista previa del material en texto

¡LES DAMOS LA 
BIENVENIDA!
¿Empezamos?
Clase 1
La necesidad de 
información en la 
Industria 4.0
TRANSFORMACIÓN DIGITAL
ESTRATEGIA DATA-DRIVEN
Clase 2
Introducción a la 
Programación
CRONOGRAMA DEL CURSO
NOCIONES BÁSICAS
PROBANDO ESTRUCTURAS
PROBANDO ESTRUCTURAS
RECUERDA PONER A GRABAR LA 
CLASE
PRESENTACIÓN DE ESTUDIANTES
Por encuestas de Zoom:
1. País
2. Conocimientos previos en 
Data Science
3. ¿Por qué elegiste el curso?
¿DUDAS DEL ON-BOARDING?
MIRALO AQUI
https://coderhouse.typeform.com/to/nRSvWstq#camada=xxxxx&studentemail=xxxxx
https://coderhouse.typeform.com/to/nRSvWstq#camada=xxxxx&studentemail=xxxxx
Son actividades o ejercicios que se realizan durante la cursada, para enfocarse en 
la práctica.
Desafíos entregables
Relacionados completamente con el 
Proyecto Final. Deben ser subidos 
obligatoriamente a la plataforma hasta 7 días 
luego de la clase para que sean corregidos. 
DESAFÍOS Y ENTREGABLES
1
Desafíos genéricos
Ayudan a poner en práctica los conceptos y 
la teoría vista en clase No deben ser subidos 
a la plataforma.
Son actividades o ejercicios que se realizan durante la cursada, para enfocarse en 
la práctica. 
Entregas del Proyecto Final
Entregas con el estado de avance de tu 
proyecto final que deberás subir a la 
plataforma a lo largo del curso y hasta 7 días 
luego de la clase, para ser corregidas por tu 
docente o tutor/a. 
1
Desafíos complementarios
Desafíos que complementan a los 
entregables. Son optativos y, de ser subidos 
a la plataforma a tiempo y aprobados, suman 
puntos para el top 10. 
DESAFÍOS Y ENTREGABLES
PROYECTO FINAL
El Proyecto Final se construye a partir de los desafíos que se realizan clase a 
clase. Se va creando a medida que se suben los desafíos entregables a 
nuestra plataforma.
El objetivo es que cada estudiante pueda utilizar su Proyecto Final como parte 
de su portfolio personal.
El proyecto final se debe subir a la plataforma la ante-última o última clase 
del curso. En caso de no hacerlo tendrás 20 días a partir de la finalización del 
curso para cargarlo en la plataforma. Pasados esos días el botón de entrega 
se inhabilitará.
¿CUÁL ES NUESTRO PROYECTO FINAL?
En equipos de entre 3 y 5 estudiantes gestionarán un proyecto con las características 
necesarias para su implementación en el nivel técnico en una organización.
Diseñarán un modelo analítico de Data Science en Jupyter Notebooks, acorde a la temática 
a tratar y su respectiva documentación. Tendrán por lo menos una iteración para la 
optimización del modelo construido. Todas las métricas deberán estar declaradas 
correctamente.
📢¡Revisa en la carpeta de camada la consigna completa!📢
MODELO ANALÍTICO DE MACHINE 
LEARNING
EJEMPLOS
Proyecto Enlace
Titanic https://github.com/mrdbourke/your-first-kag
gle-submission/blob/master/kaggle-titanic-d
ataset-example-submission-workflow.ipynb
Predicción de Fuga de Clientes https://github.com/prajgujarathi/Churn-Predi
ction-Model/blob/master/Churn%20Predictio
n%20Model.ipynb
Modelo de Riesgo de Crédito https://github.com/Prakhar-FF13/Credit-Risk
-Modelling/blob/master/Credit%20Risk%20
Modelling.ipynb
https://github.com/mrdbourke/your-first-kaggle-submission/blob/master/kaggle-titanic-dataset-example-submission-workflow.ipynb
https://github.com/mrdbourke/your-first-kaggle-submission/blob/master/kaggle-titanic-dataset-example-submission-workflow.ipynb
https://github.com/mrdbourke/your-first-kaggle-submission/blob/master/kaggle-titanic-dataset-example-submission-workflow.ipynb
https://github.com/prajgujarathi/Churn-Prediction-Model/blob/master/Churn%20Prediction%20Model.ipynb
https://github.com/prajgujarathi/Churn-Prediction-Model/blob/master/Churn%20Prediction%20Model.ipynb
https://github.com/prajgujarathi/Churn-Prediction-Model/blob/master/Churn%20Prediction%20Model.ipynb
https://github.com/Prakhar-FF13/Credit-Risk-Modelling/blob/master/Credit%20Risk%20Modelling.ipynb
https://github.com/Prakhar-FF13/Credit-Risk-Modelling/blob/master/Credit%20Risk%20Modelling.ipynb
https://github.com/Prakhar-FF13/Credit-Risk-Modelling/blob/master/Credit%20Risk%20Modelling.ipynb
¡IMPORTANTE!
Los desafíos y entregas de proyecto se deben cargar hasta siete 
días después de finalizada la clase. Te sugerimos llevarlos al día. 
LA NECESIDAD DE INFORMACIÓN EN 
LA INDUSTRIA 4.0
 Clase 01. DATA SCIENCE
● Comprender el rol de los datos en la 
organización desde una perspectiva de 
Transformación Digital y en la Industria 4.0. 
● Identificar los componentes importantes de 
una estrategia de Data & Analytics.
● Facilitar la identificación de oportunidades 
del uso de los datos para la transformación 
digital y la estrategia de negocios.
OBJETIVOS DE LA CLASE
TRANSFORMACIÓN DIGITAL 
E INDUSTRIA 4.0: UNA 
MIRADA ACTUAL
¿Por qué datos y por qué ahora?
Las transformaciones en el mundo que vivimos se sostienen y aceleran principalmente por el uso 
de datos. Su implementación atraviesa múltiples industrias, áreas de servicio y amplios aspectos 
de la vida cotidiana.
¿Cómo crees que ha influido el uso de datos en la situación pandémica del SARS-COV2? ¿Cómo 
ha impactado a la hora de combatir el virus y crear la vacuna?
¿De dónde viene la Industria 4.0?
El término “Industria 4.0” surge de un de especialistas 
multidisciplinarios convocados por el gobierno alemán a comienzos 
de la década de 2010 enfocados en rediseñar un programa de 
mejoras para la industria manufacturera. 
Lectura recomendada en Material ampliado.
Fuente: Mixtrategy.com
A partir de de esta nueva 
nominación se transformó la 
mirada sobre la industria de las 
revoluciones anteriores: 
Industria 1.0, Industria 2.0 e 
Industria 3.0. 
🤔 ¿Escuchaste hablar de la Primera y Segunda Revolución 
Industrial en la escuela? Bueno, ya vamos por la 4ta.
https://www.mixtrategy.com/
Hablar de Industria 4.0 es hablar de la 
Cuarta Revolución Industrial
Entendemos la 4ta Revolución Industrial como la transición 
hacia nuevos sistemas ciber-físicos que operan en forma de 
complejas redes como salto cualitativo a sólo 50 años de la 
Revolución digital (Industria 3.0).
Lectura recomendada en Material ampliado.
El Banco Interamericano de Desarrollo (BID) identifica la 
particularidad de esta Revolución Industrial en la convivencia de una 
gran variedad de tecnologías que se fusionan borrando los límites 
entre lo físico, lo digital y lo biológico.
Sin duda, esto implica un gran cambio paradigmático en todos los 
ámbitos de la vida.
Lectura recomendada en Material ampliado.
¿Qué tiene que ver con la Transformación 
Digital?
La transformación digital es “el fomento de evolución y nuevos 
modelos de negocio incorporando la digitalización de archivos e 
incorporando lo digital a todas las áreas de negocio”.
Harvard Business Review
Tendencias en Data & Analytics 2020-2021
● IA mas inteligente, rápida y responsable
● Decision Intelligence
● X Analytics: Data No Estructurada
● Gestión de datos aumentada
● Cloud es una realidad
● Choques entre mundos de datos y analytics
● Data Marketplaces e Intercambios
● Blockchain en data & analytics
¡PARA PENSAR!
¿Cuál de las siguientes de las tecnologías crees que 
revolucionará nuestra vida cotidiana en la próxima década?
(basado en el famoso tweet de Brian Feroldi)
CONTESTA LA ENCUESTA DE ZOOM
https://twitter.com/BrianFeroldi/status/1369980920913072135?s=20
¿Qué hacer con datos? Hacking Cultural
Se trata de encontrar puntos vulnerables en su cultura y 
convertirlos en un cambio real que se mantenga.
Ejemplo de caso de uso
Seguimiento de la ubicación interior en un aeropuerto:
● Objetivo: Gran aeropuerto internacional quiere mejorar los servicios ofrecidos 
a los clientes
● Estrategia: Configura un sistema para rastrear a los viajeros usando 
triangulación wifi
● Funcionamiento: Si el wifi de un pasajero está activado, la medición de la 
intensidad de la señal en diferentes enrutadores permite una medición precisa 
de la ubicación dentro de la terminal
● Oportunidades:Combinar con datos de ventas de tiendas e información 
sobre vuelos
Objetivos específicos
● Comprender el comportamiento del pasajero para mejorar su 
experiencia.
● Optimizar las asignaciones de puertas y ubicaciones de tiendas.
● Mitigar la experiencia negativa de los retrasos.
● Brindar ofertas promocionales, cupones y ofertas en ciertas 
tiendas.
● Actualizar y/o reubicar servicios.
Datos y análisis del caso
Datos:
● Variados, Estructurados, No Estructurados.
Análisis:
● Descriptivo, Predictivo, Prescriptivo
Datos y análisis del caso
Datos:
● Variados, Estructurados, No Estructurados.
Análisis:
● Descriptivo, Predictivo, Prescriptivo
CASO OBAMA
En el caso de Analítica de Campaña de Reelección 2013 de 
Barack Obama, ¿cuáles serían los Objetivos, los Datos 
y el Análisis?
https://forbes.es/emprendedores/7560/como-el-big-data-ayudo-a-obama-a-ganar/
https://forbes.es/emprendedores/7560/como-el-big-data-ayudo-a-obama-a-ganar/
En breakout room se agruparán en equipos de 5 personas y discutirán 
por 10 minutos cómo la analítica fue clave en la campaña electoral de 
Barack Obama.
Pueden remitirse al enlace proporcionado o buscar otro en Internet.
Luego deberán identificar los Objetivos, los Datos y el Análisis para 
este caso.
https://forbes.es/emprendedores/7560/como-el-big-data-ayudo-a-obama-a-ganar/
https://forbes.es/emprendedores/7560/como-el-big-data-ayudo-a-obama-a-ganar/
ESTRATEGIA DATA-DRIVEN
Data Driven
Es una disciplina que utiliza diversas técnicas y herramientas 
de análisis para aprovechar los datos generados dentro de un 
ámbito o empresa para su beneficio y el de sus clientes.
Dicho de otro modo, se trata de sacar valor a los millones de 
datos de los que hoy disponemos para tomar mejores 
decisiones basadas en ellos.
Organización Data-Driven
Datos Refinamiento Uso
Producto de Datos
Datos
Los clientes compran 
el producto de datos 
una vez y continúan 
usándolo tal como 
está.
Refinamiento
Un producto de datos es 
una aplicación informática 
que toma entradas de 
datos y genera salidas, 
devolviéndolas al entorno.
Información
Un producto de datos 
es información digital 
que se puede comprar.
Datos
Refinamiento
Uso
Producto de Datos: Ejemplo
Estrategia de Data & Analytics
¿Qué es Estrategia?
¿Cómo Triunfamos?
● Propósito Empresarial
● Relaciones críticas y resultados
● Formas en que la empresa crea 
valor.
● Habilidades empresariales 
esperadas
¿Qué es el Modelo de Operación?
¿Qué se requiere para ejecutar?:
● Recursos, proceso, prácticas y 
estructuras organizativas para cerrar 
brechas.
● Datos requeridos y activos analíticos con 
un ciclo de vida administrado
● Cómo deben evolucionar los entornos, 
plataformas, herramientas y prácticas
● Orquestación de recursos en proyectos, 
programas y/o líneas de productos para 
tener éxito.
A medida que su entorno empresarial se vuelve más dinámico e 
impredecible, también lo hace la conexión entre la estrategia y el 
modelo operativo
☕ 
BREAK
¡5/10 MINUTOS Y VOLVEMOS!
COMPONENTES DE UNA 
ESTRATEGIA DATA-DRIVEN
ORGANIZACIÓN DATOS HERRAMIENTAS
DE ANALISIS
CULTURA
Objetivos Estratégicos Nuevos Datos Autoservicio Cultura de Datos
Resultados Esperados 
Medibles
Datos Gobernados Capacidad de Cómputo Alfabetización de Datos
Modelo de Operacion Datos Disponibles Consultas Sencillas Especializacion
Roles Definidos Datos Oportunos Visualización Intuitiva Comunicacion
Alineación / Autonomía Calidad de Información Ciencia de Datos Storytelling
Gestion de Datos Repositorios Escalables
Bases de la Estrategia
Data Management Maturity Model
Nivel 1 Nivel 2 Nivel 3 Nivel 4 Nivel 5
● Poca o ninguna 
gobernanza
● Roles definidos 
dentro de los 
silos
● Problemas de 
calidad de 
datos no 
abordados
● Gobierno 
emergente
● Introducción 
consistente de 
herramientas
● Algunos roles y 
procesos 
definidos
● Creciente 
conciencia del 
impacto de los 
problemas de 
calidad de datos
● Data vista como 
habilitador 
organizacional.
● Procesos y 
herramientas 
escalables
● Metas 
establecidas 
considerando la 
calidad de los 
datos
● Automatización 
de procesos
● Gobierno 
centralizado y 
planificado
● Gestión de 
Riesgos asociado 
a datos
● Métricas de 
Performance de 
Iniciativas de 
Datos
● Métricas de 
mejora de 
Calidad de Datos
● Procesos de Alta 
Predicción
● Riesgo Reducido
● Métricas bien 
establecidas y 
desplegadas 
para medir la 
calidad de los 
datos
En la industria la administración de datos pasa por 5 niveles que definen la madurez de esta.
Data Management Maturity Model
Big Data Analytics Maturity Model
“Al 2021, 50% de las organizaciones 
carecerán de habilidades suficientes en 
IA y alfabetización de datos para generar 
valor sobresaliente en su organización”
Todo muy lindo… pero ¿por dónde 
empezamos?
¡Bienvenidos/as al curso de Data 
Science!
 ROADMAP . 
Propedeúticos de 
Data Science
Metodologías y 
Herramientas 
Tecnológicas para 
Data Science
Data Acquisition y 
Data Wrangling
1 2 3 4
Exploratory Data 
Analysis (EDA) & 
Insight Discovery
Algoritmos de 
Machine Learning
Validación de 
resultados del Modelo 
y Tuneo
Tópicos 
Avanzados de 
Machine Learning
5 6 7
Datathon 
Coderhouse
 PRÓXIMOS PASOS . 
1. Fundamentos de Programación para Data Scientists.
2. Estadística Básica para Data Scientists.
3. Fundamentos de Bases de Datos.
Programación en 
Python
¿PREGUNTAS?
¿QUIERES SABER MÁS? TE DEJAMOS 
MATERIAL AMPLIADO DE LA CLASE
● Industria 4.0: Fabricando el futuro | Unión 
industrial Argentina, BID e INTAL
Disponible en nuestro repositorio.
https://publications.iadb.org/publications/spanish/document/Industria-40-Fabricando-el-Futuro.pdf
¡MUCHAS GRACIAS!
Resumen de lo visto en clase hoy: 
- Transformación digital e Industria 4.0
- Estrategia data-driven
- ¡Lo que se viene!
OPINA Y VALORA ESTA CLASE
#DEMOCRATIZANDOLAEDUCACIÓN