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:
País
Conocimientos previos en Data Science
¿Por qué elegiste el curso?
Presentación de Estudiantes
Soporte: Encuesta de Zoom
¿Como crear encuestas de zoom? Disponible en este video.
Consigna: Presentación de los estudiantes. Generar una encuesta de zoom para cada punto (3 en total) con los siguientes ítems y opciones.
PAÍS / Opciones:
Argentina
Uruguay
Chile
Colombia
Perú
Otro
CONOCIMIENTOS PREVIOS DE DATA SCIENCE / Opciones:
Nulo conocimiento
Poco conocimiento
Bastante conocimiento
Otro
¿POR QUÉ ELEGISTE EL CURSO? / Opciones:
Soy curioso/a y siempre quiero aprender más.
Quiero emprender o mejorar mi camino Freelance.
Quiero perfeccionar o desenvolverme de forma profesional o laboral.
Otro
¿DUDAS DEL ON-BOARDING?
MIRALO AQUI
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-kaggle-submission/blob/master/kaggle-titanic-dataset-example-submission-workflow.ipynb
	Predicción de Fuga de Clientes	https://github.com/prajgujarathi/Churn-Prediction-Model/blob/master/Churn%20Prediction%20Model.ipynb
	Modelo de Riesgo de Crédito	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.
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
“Para pensar”.
¿Como crear encuestas de zoom? Disponible en este video.
El docente generará una encuesta de zoom para que los estudiantes respondan. Esto es una actividad de intercambio de opiniones.
Opciones (no hay respuesta correcta):
AI
5G
IoT
mRNA
AR/VR
CRISPR
Robotics
Longevity
Telehealth
Metaverse
Blockchain
Bioplastics
Gene Editing
Electrification
Space Tourism
Energy Storage
Verticle Farming
Cloud Computing
Plant-Based Meat
Personalize Medicine 
Autonomous Vehicles
¿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?
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.
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
Usar para slides de texto con gráfico de etapas/pasos.
 PRÓXIMOS PASOS . 
Fundamentos de Programación para Data Scientists.
Estadística Básica para Data Scientists.
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.
¡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