Bienvenida - El curso, las reglas y por qué aprender Business Analytics
Introducción al Business Analytics · Semana 1 · 06278-ECO
@emartigo
Eduard F. Martínez G.
eduard-martinez
eduard-martinez.github.io1 Cómo usar esta página
Todas las semanas de este curso arrancan igual: estudias la teoría antes de clase (un podcast o un video, con su versión escrita en una página como esta), presentas un quiz sobre ese material, y la sesión se dedica a aplicar. La semana 1 es la única excepción: no hay nada que estudiar antes, porque todavía no nos conocemos.
Esta página es el contrato del curso
Aquí está todo lo que vas a querer consultar durante el semestre: cómo se evalúa, las reglas de juego, la política de IA, las fechas y el mapa completo de las 16 semanas. Guárdala en favoritos — vas a volver.
- 📽️ Diapositivas de la primera clase: descargar PDF
- 🎧 Podcast del curso: El Dato con Contexto, en Spotify — el episodio de cada semana queda enlazado también en su página de teoría.
- 📤 Entregas y quices: los talleres se entregan en Samán; los quices son escritos, en papel, al inicio de cada clase.
2 Bienvenida
Introducción al Business Analytics es un curso para aprender a convertir datos en decisiones. En 16 semanas vas a programar en R, vas a dirigir agentes de inteligencia artificial, vas a entrenar y auditar modelos de machine learning — y, sobre todo, vas a aprender a hacer las preguntas correctas antes de tocar una sola línea de código. No necesitas saber programar para empezar: necesitas curiosidad y disciplina.
2.1 Tu profesor
- Eduard F. Martínez-González, PhD en Economía.
- Profesor del Departamento de Economía de la Universidad Icesi y director del CIENFI (Centro de Investigación en Economía y Finanzas).
- Intereses: econometría aplicada, Big Data y Machine Learning para política pública y toma de decisiones.
- Enfoque: investigación aplicada + consultoría — lo que vamos a hacer en este curso es lo que hago en el trabajo real.
Atención a estudiantes
- 🕐 Horario: jueves de 4:00 a 4:30 y viernes de 11:30 a 12:00.
- 📍 Oficina: Dirección del CIENFI (Bloque B).
- ✉️ Correo: efmartinez@icesi.edu.co
2.2 El equipo de monitores
Tres monitores acompañan el curso. Escríbeles para dudas de los talleres, soporte con R, revisión de errores y acompañamiento del proyecto final — son tu primera línea de ayuda.
| Monitor(a) | Correo |
|---|---|
| Miguel Ángel Torres Montoya | miguel.torres2@u.icesi.edu.co |
| María Paula Ceballos | paulaceballostol@gmail.com |
| Santiago Restrepo Reyes | santiagorestreporeyes2411@gmail.com |
Sus canales adicionales de contacto (y los horarios de monitoría) estarán publicados en Intu.
3 ¿Qué es Business Analytics?
Business Analytics es el uso de datos + métodos analíticos para entender una situación, predecir lo que puede pasar y recomendar acciones para tomar mejores decisiones. Tres verbos, en ese orden — y el tercero es el que paga la nómina.
¿Qué produce alguien que hace Business Analytics?
- Insights (qué está pasando y por qué), métricas/KPIs y visualizaciones que los comunican.
- Modelos (predicción, clasificación, segmentación) y experimentos (A/B testing).
- Recomendaciones accionables: qué haríamos diferente, con evidencia.
¿Y cómo se hace? Siempre con el mismo ciclo:
Este ciclo está por todas partes: cuando Netflix te recomienda una serie, cuando el banco decide en segundos si te presta, cuando Rappi calcula cuántos domiciliarios necesita un sábado con lluvia. Detrás de cada una de esas decisiones hay alguien que recorrió estos seis pasos.
Este ciclo ES el programa del curso
No es una metáfora: las semanas 5 y 6 son los pasos 1 a 3; las semanas 3, 4 y 8 te dan las herramientas para ejecutarlos; las semanas 10 a 13 son el paso 4; y el proyecto final te obliga a recorrer el ciclo completo, incluidos los pasos 5 y 6. Cuando termine el semestre, este dibujo va a ser tu forma de pensar.
4 ¿Por qué aprender esto? Tres motivaciones, con datos
Este es un curso de análisis de datos, así que la motivación no puede ser un discurso: tienen que ser números verificables. Aquí van tres, según quién seas tú.
4.1 Motivación 1: “Quiero un buen empleo”
El Foro Económico Mundial le preguntó a 1.043 empleadores de 55 economías — empresas que suman más de 14 millones de trabajadores — qué empleos esperan crear y destruir entre 2025 y 2030. El resultado: se crearán unos 170 millones de empleos y se desplazarán 92 millones, para un neto de +78 millones. ¿Y cuáles crecen más rápido? Mira el podio:
Los cinco empleos de mayor crecimiento proyectado 2025–2030 (en %). En azul, los dos que este curso te acerca directamente. Elaboración propia a partir de WEF, The Future of Jobs Report 2025; valores aproximados de la figura del reporte.
El empleo de mayor crecimiento proyectado del planeta es especialista en Big Data, y el tercero es especialista en IA y machine learning. Pero no te quedes en el cargo: el mismo reporte estima que el 39% de las competencias núcleo de cualquier trabajador cambiarán de aquí a 2030. Lo que el mercado está comprando no es un título, es fluidez con datos: entender un dataset, resumirlo, graficarlo, modelarlo y comunicar hallazgos.
¿Y en Colombia? El estudio de empleabilidad y talento digital de MinTIC y Fedesoft (2025) calcula que al mercado colombiano le faltan 85.000 profesionales digitales hoy, con la demanda concentrada exactamente en lo que este curso toca: Big Data y analítica, inteligencia artificial, nube y ciberseguridad. Un dato adicional del mismo estudio: solo el 25,4% del talento TI empleado son mujeres — el espacio está abierto de par en par.
4.2 Motivación 2: “Quiero emprender”
Emprender es un problema de decisión bajo incertidumbre: decidir rápido y fallar barato. CB Insights hace autopsias de startups desde hace una década; su actualización de 2026 analizó 431 startups (con capital de riesgo) que cerraron desde 2023. Esto es lo que las mató:
Razones de cierre reportadas (suman más de 100% porque la mayoría de cierres tiene varias causas). Elaboración propia a partir de CB Insights, Top Reasons Startups Fail (actualización de 2026, 431 startups cerradas desde 2023).
La lectura fina está en la barra gris: el 70% “se quedó sin capital”, pero esa es la causa final, no la raíz — nadie muere de “paro cardiaco” sin una historia detrás. Las causas raíz son las azules: construir algo que nadie necesita (43%), llegar en mal momento (29%), tener números que no cierran (19%). Y las tres son, en el fondo, fallas de medición:
- ¿Alguien necesita esto? → validar demanda con datos y experimentos (A/B testing), no con la opinión de tus amigos.
- ¿Cuánto me cuesta un cliente y cuánto me deja? → unit economics: adquisición, retención, conversión.
- ¿Para cuántos meses me alcanza la caja? → medir el burn rate antes de que la cuenta la haga el banco.
Ninguna de las tres requiere un doctorado. Requieren exactamente lo que hace este curso: medir, comparar y decidir con evidencia.
4.3 Motivación 3: “Lo mío no son los datos”
Perfecto — igual esta es tu semana favorita, porque el argumento es para ti. Aunque jamás entrenes un modelo, vas a trabajar con gente que sí lo hace: vas a recibir dashboards, te van a presentar “el modelo dice que…”, y vas a tomar (o sufrir) decisiones basadas en reportes de otros.
El mismo reporte del WEF trae el dato clave: el pensamiento analítico es la competencia núcleo más demandada por los empleadores — 7 de cada 10 empresas la consideran esencial. Y las competencias que más crecen son IA y big data, redes y ciberseguridad, y alfabetización tecnológica. No para los ingenieros: para todos.
La ventaja competitiva mínima es alfabetización analítica: entender la jerga y hacer buenas preguntas. Al final de este curso, estas cuatro serán tuyas:
- “¿Comparado con qué?” — ningún número significa nada sin una línea base (baseline).
- “¿Este gráfico prueba o solo sugiere?” — cuándo una tabla cierra la discusión y cuándo apenas la abre.
- “¿Correlación o causa?” — la pregunta que separa el análisis de la anécdota.
- “¿Accuracy de qué me sirve aquí?” — pedir la métrica correcta para el costo del error correcto (esto será tu segunda naturaleza en la semana 10).
La conclusión de las tres rutas es la misma
No importa si tu plan es emplearte, emprender o dirigir: la fluidez con datos dejó de ser una especialidad y se volvió alfabetización. Este curso es tu alfabetización.
5 El mapa del semestre
Dieciséis semanas, cuatro bloques de contenido, dos parciales y un proyecto que crece contigo. Tócalas una por una — cada semana te dice qué pasa y qué se entrega.
6 Tu semana tipo
Desde la semana 2, todas las semanas de contenido funcionan igual. Apréndete el ritmo una vez y el semestre fluye:
1. Antes de clase — la teoría es tuya 🎧
Cada semana tendrás un podcast o video con la fundamentación teórica (y su versión escrita, en una página como esta). Se estudia antes de llegar. La clase no repite la teoría: la usa.
2. Al comenzar la clase — el quiz ✍️
Un quiz conceptual escrito, en papel, sobre el material previo, al inicio de la sesión: selección múltiple, verdadero/falso, ejercicios breves o interpretación de salidas. Se presenta en la sala de cómputo, sin IA ni ayudas. La retroalimentación queda disponible en la plataforma.
3. Durante la clase — aplicar 🧑💻
Práctica guiada (hands-on) en R o análisis de datos, normalmente en parejas, con discusión de interpretación: qué significa el resultado y por qué importa.
4. Al cerrar la clase — el taller 🏁
Una actividad individual evaluable: un taller autónomo, autocontenido y dimensionado al tiempo restante de la sesión. Es tu evidencia de que puedes hacerlo solo.
Las dos reglas que más preguntas generan (respondidas de una vez)
- Quices y talleres se hacen únicamente en clase. No hay reposición, recuperación ni “profe, es que no pude venir” — independientemente de la causa.
- Pero hay red de seguridad: al final del semestre se elimina la peor calificación de quices y la peor de talleres (una vez cada una). Un mal día no te define; dos empiezan a hacerlo.
7 La evaluación
Cuatro componentes suman el 100% de la nota:
| Componente | Peso | Qué es |
|---|---|---|
| Talleres en clase | 10% | La actividad individual evaluable al cierre de cada sesión. |
| Quices conceptuales | 25% | Semanales, escritos en papel, sobre el material teórico previo (sin IA). |
| Parcial 1 (semana 7) | 20% | Examen escrito individual: todo lo visto hasta la semana 6. |
| Parcial 2 (semana 14) | 20% | Examen escrito individual: semanas 8 a 13. |
| Proyecto final | 25% | En grupos: Entrega 1 (pregunta, 0%) + Entrega 2 (avance EDA, 5%, semana 9) + Entrega 3 (sustentación, 20%, semana 16). |
Fíjate en algo antes de mover los sliders de abajo: entre quices, talleres y el avance del proyecto, el 40% de tu nota se gana semana a semana, no en las semanas de exámenes. En este curso la constancia paga más que la heroica de última hora.
8 Reglas de juego
Pocas, claras y sin letra menuda escondida:
- Asistencia mínima: 80%. Asistir a menos es causal de no aprobación del curso. Los quices y talleres se hacen en clase, así que faltar ya cuesta nota por sí solo.
- Quices y talleres: solo en clase. Sin reposición ni recuperación, sea cual sea la causa. La red de seguridad es la eliminación de la peor nota de cada uno (una vez en el semestre).
- La sustentación final equivale a un examen. La asistencia es obligatoria y su inasistencia solo se subsana con supletorio autorizado.
Política de supletorios (reglamento Icesi)
- Aplica únicamente para exámenes (parciales y sustentación final) con causa justificada y soportada.
- El trámite es con la dirección del programa, no con el profesor, dentro de los 2 días hábiles siguientes a la fecha del examen.
- Si se aprueba: se genera la autorización de pago en caja, se envía el comprobante a la auxiliar administrativa y ella informa la programación del supletorio.
- Para quices, talleres y actividades en clase no existen supletorios — ahí opera la eliminación de la peor nota.
9 La política de IA (y por qué existe)
Este curso enseña a usar IA: la semana 2 completa es sobre LLMs y la semana 8 es sobre agentes de código. Y al mismo tiempo, este curso te restringe la IA en quices, parciales y varios talleres. No es una contradicción — es evidencia, y te la debo.
El experimento. Shen y Tamkin (2026) corrieron un experimento aleatorizado con desarrolladores aprendiendo una tecnología nueva. La mitad podía usar un asistente de IA; la otra mitad no. Resultados:
- El grupo con IA obtuvo un puntaje 17% menor en la evaluación posterior de la habilidad — menos comprensión conceptual, peor lectura de código y peor capacidad de depurar errores.
- En promedio, no hubo ganancia significativa de tiempo al completar las tareas.
- El mayor deterioro apareció al delegar el debugging: quien deja que la IA resuelva sus errores no aprende a resolverlos.
La lectura correcta no es “la IA es mala”. Es esta: la IA acelera la producción, pero puede frenar el aprendizaje cuando te saca del esfuerzo cognitivo. Y este semestre tu trabajo no es producir — es aprender. La IA ayuda a aprender cuando te mantiene activo: pedirle explicaciones, hacerle preguntas conceptuales, verificar su lógica. Perjudica cuando le entregas el problema entero.
| ✅ Se permite (con transparencia) | ❌ No se permite |
|---|---|
| Aclarar conceptos, pedir ejemplos, revisar redacción. | Entregar como propio trabajo generado por IA, sin citarlo ni poder explicarlo. |
| Ayuda para depurar código y entender mensajes de error. | Usar IA en evaluaciones cerradas o sin autorización: quices, parciales y actividades en clase (salvo indicación explícita). |
| Sugerencias de estructura para reportes y presentaciones. | Fabricar resultados, datos, tablas, citas o referencias (hallucinations). |
La regla práctica del curso
Si no puedes explicar y reproducir tu resultado, no cuenta como trabajo válido. Punto.
Dos cosas más, para que no te tomen por sorpresa: cada taller del curso incluye una Declaración de IA obligatoria (qué herramienta usaste, para qué, qué aceptaste y qué corregiste — declarar bien nunca resta puntos; no declarar sí). Y algunas semanas tienen reglas propias que el enunciado siempre aclara. El paper completo está en el material adicional, por si quieres ver la evidencia con tus propios ojos.
10 El proyecto final
La cuarta parte de tu nota es un proyecto aplicado en grupo, progresivo, sobre datos reales. El curso no asigna casos cerrados: el profesor entrega una base de datos empresarial con múltiples variables y cada grupo formula su propia pregunta de negocio y la responde con una de las tareas del curso — clasificación, regresión o segmentación. Exactamente el ciclo de la sección 3, de principio a fin.
Las tres entregas:
- Entrega 1 — La pregunta de negocio (0%). Formular la pregunta, justificarla y esbozar cómo se resolvería. No pesa en la nota, pero es la llave de entrada: quien no presenta la Entrega 1 no puede presentar la 2 ni la 3.
- Entrega 2 — Avance / EDA (5%, semana 9). Presentación oral del análisis exploratorio: qué muestran los datos frente a la pregunta. Incluye retroalimentación del profesor y los monitores de cara a la final. Quien no la presenta obtiene cero, sin recuperación.
- Entrega 3 — Sustentación final (20%, semana 16). Presentación oral que integra las herramientas del curso: resultados, interpretación, limitaciones y una recomendación sustentada en evidencia. No se entrega documento escrito — la presentación es el entregable. Equivale a un examen: asistencia obligatoria.
Lo primero que tienes que hacer: inscribir tu grupo
- Grupos de 3 estudiantes, un registro por grupo (integrantes y códigos).
- La inscripción se hace en Intu.
- Fecha límite: viernes 28 de agosto, 11:59 p.m.
- Los lineamientos completos del proyecto (contenidos mínimos, rúbricas y reglas) están publicados en Intu.
11 Fechas clave
Márcalas de una vez — ninguna te va a sorprender si vienes siguiendo el mapa del semestre:
| Hito | Fecha |
|---|---|
| Inicio de clases | lunes 27 de julio de 2026 |
| Inscripción de grupos (proyecto) | hasta el viernes 28 de agosto, 11:59 p.m. |
| Parcial 1 | semana del 7 al 13 de septiembre |
| Presentación del avance / EDA (Entrega 2) | semana del 21 al 27 de septiembre |
| Parcial 2 | semana del 26 al 31 de octubre |
| Simulacro de sustentación | semana del 2 al 8 de noviembre |
| Sustentación del proyecto final | semana del 9 al 14 de noviembre |
| Terminación de clases | 14 de noviembre de 2026 |
12 Checklist: antes de la semana 2
Cinco cosas, ninguna toma más de media hora:
13 Material adicional (opcional)
Las fuentes de todo lo que afirmé arriba, por si quieres verificar — que es, literalmente, el espíritu del curso:
- El reporte de empleos: World Economic Forum (2025). The Future of Jobs Report 2025. — La encuesta a 1.043 empleadores de 55 economías: empleos y competencias que crecen y declinan a 2030.
- La autopsia de startups: CB Insights (2026). Top Reasons Startups Fail. — 431 startups cerradas desde 2023 y las causas reportadas de su muerte.
- El dato colombiano: MinTIC y Fedesoft (2025). Estudio de Empleabilidad y Talento Digital en Colombia. — La brecha de 85.000 profesionales digitales y los perfiles más demandados.
- La evidencia de la política de IA: Shen, J. & Tamkin, A. (2026). How AI Impacts Skill Formation. — El experimento aleatorizado del que sale el −17%.
- El libro del curso (conceptual): Provost, F. & Fawcett, T. (2013). Data Science for Business. O’Reilly Media. — El capítulo 1 es la versión larga de esta página.
- La mirada estratégica: Davenport, T. H. & Harris, J. G. (2007). Competing on Analytics: The New Science of Winning. Harvard Business Press.
Eso es todo por hoy. Tu única teoría previa esta vez fue esta página — desde la próxima semana, el ritmo es el de verdad: podcast, quiz y manos al teclado.
Nos vemos en clase. Bienvenido, bienvenida — esto va a estar bueno. 🚀