Descarga la aplicación para disfrutar aún más
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
Compartir