Business Analytics

English version Syllabus (PDF) Programa semana a semana (PDF) Podcast del curso · El Dato con Contexto

Los materiales del curso se publican en este sitio a medida que se libera cada semana. Los documentos están construidos con Quarto y ejecutan R en el navegador vía webR: puedes correr cada ejemplo directamente en la página, sin instalar nada.

Descripción del curso

El curso introduce el proceso de business analytics: cómo convertir datos crudos en información, conocimiento y evidencia que soporte decisiones en organizaciones privadas y públicas. Se concentra en cinco tareas analíticas — resumir, visualizar, agrupar, clasificar y estimar regresiones — implementadas en R sobre datos de negocio. La inteligencia artificial generativa atraviesa todo el semestre como herramienta de trabajo: qué son los LLMs, cómo escribir buenos prompts y cómo dirigir agentes de código (Claude Code, Cursor, VS Code) de forma responsable — la IA acelera el trabajo, pero el estudiante debe entender y validar cada paso del análisis.

Cómo funciona cada semana

Cada semana de contenido publica tres materiales, en el orden en que se usan:

1. Teoría — se estudia antes de clase: la versión escrita del podcast o video de la semana, con ejemplos de R ejecutables. Los episodios del podcast se publican en Spotify — El Dato con Contexto — y cada uno queda enlazado en su semana, más abajo. El quiz semanal es impreso y se responde al inicio de la clase — primero unos minutos de dudas sobre el material, luego el quiz, sin IA ni ayudas.
2. Práctica guiada — la aplicación en clase, paso a paso.
3. Taller — la actividad evaluable que cada estudiante desarrolla durante la sesión y entrega en Intu antes de terminar la clase.

Resultados de aprendizaje

Al finalizar el curso, el estudiante estará en capacidad de:

• Explicar los conceptos centrales del business analytics e identificar la tarea analítica — resumir, visualizar, agrupar, clasificar, estimar — que responde una pregunta de negocio.
• Usar R para importar, explorar, limpiar, transformar y describir datos, y construir visualizaciones claras con ggplot2.
• Diagnosticar problemas de calidad de datos y llevar un análisis exploratorio desde el archivo crudo hasta un dataset listo para análisis, con decisiones documentadas.
• Entrenar y evaluar modelos de machine learning en R — CART, bosques aleatorios, Lasso y k-means — con particiones train/test y validación cruzada, comparando contra un baseline con las métricas correctas.
• Interpretar y comunicar resultados para soportar una decisión organizacional.
• Usar herramientas de IA generativa — LLMs y agentes de código — de forma crítica y responsable: prompts efectivos, salidas validadas y análisis trazable.

Cronograma

Unidad 1 — Fundamentos del curso

Semana 1 — Presentación del curso y metodología. Qué es el business analytics y qué problemas resuelve; el recorrido semana a semana; la dinámica de aprendizaje (teoría antes de clase, quiz, aplicación guiada); las reglas de evaluación, el proyecto final y la política de IA — motivada por evidencia reciente sobre cómo el uso de IA afecta la formación de habilidades.

Teoría Lectura: Shen & Tamkin (2026)

Semana 2 — Introducción a los LLMs. Qué es un modelo de lenguaje y por qué importa en economía y negocios; alcances, límites y alucinaciones; la anatomía de un buen prompt (contexto, tarea, formato de salida, restricciones); skills reutilizables para tareas recurrentes.

Teoría Podcast Práctica guiada Taller

Semana 3 — Fundamentos de R. La interfaz de RStudio y el flujo con scripts; R como calculadora; tipos de datos y valores especiales; objetos y asignación; vectores, matrices y data frames; funciones, ayuda y paquetes; el Environment y los proyectos con rutas relativas.

Teoría Práctica guiada Taller Video · Fundamentos de R

Semana 4 — Manipulación y visualización de datos. La gramática de dplyr verbo a verbo para KPIs globales y por grupo, y ggplot2 como sistema por capas (datos, estéticas, geometrías, etiquetas, temas). El producto de la semana: una tabla de KPIs y los 2–3 gráficos que la comunican.

Teoría Práctica guiada Taller Video · dplyr (parte 1) Video · ggplot2 (parte 2) Datos: cafeteria.csv

Unidad 2 — Proceso analítico y exploración de datos

Semana 5 — Proceso analítico y tipos de analítica. El business analytics como proceso que convierte datos en conocimiento accionable; traducir preguntas de negocio a tareas analíticas; el flujo de la pregunta a la decisión; los roles de un equipo de analítica. El ejercicio en clase es el insumo directo de la Entrega 1 del proyecto final.

Teoría Podcast Práctica guiada Taller

Semana 6 — EDA: fuentes, limpieza y exploración. Fuentes y calidad de datos; el checklist de diagnóstico — tipos, rangos, faltantes, duplicados, categorías inconsistentes, outliers; limpieza con decisiones documentadas; el pipeline reproducible raw → clean → analysis-ready.

Teoría Podcast Práctica guiada Taller Datos: ferreteria_raw.csv

Semana 7 — Examen Parcial 1. Primera evaluación escrita integradora (20%), cubre las semanas 1–6. Del 7 al 12 de septiembre.

Unidad 3 — IA aplicada al análisis de datos

Semana 8 — Agentes de código: Claude Code, Cursor y VS Code. Asistentes de IA para el análisis de datos y la programación; rehacer con IA lo que ya se hizo “a mano” en las semanas anteriores (manipulación, limpieza, EDA, visualización); iterar prompts, revisar el código generado y verificar resultados.

Teoría Práctica guiada Taller Proyecto inicial (zip)

Semana 9 — Presentación Avance del Proyecto (EDA). Entrega 2 del proyecto final (5%): presentación oral del análisis exploratorio, con retroalimentación del profesor y los monitores. Del 21 al 26 de septiembre.

Unidad 4 — Fundamentos de Machine Learning

Semana 10 — Fundamentos de Machine Learning. El machine learning como generalización; el pipeline estándar — target y features, partición train/test, métricas contra un baseline; validación cruzada; sobreajuste, data leakage y métricas mal elegidas. Dos videos complementarios construyen la matriz de confusión y MAE/RMSE antes de las semanas supervisadas.

Teoría Práctica guiada Taller Video · Matriz de confusión Video · RMSE y MAE Datos: credito_taller10.csv · notas_taller10.csv · credito_evaluacion.csv · notas_evaluacion.csv

Unidad 5 — Aprendizaje supervisado

Semana 11 — Clasificación: árboles y bosques. El pipeline completo de clasificación; la matriz de confusión — por qué el accuracy engaña y el trade-off precision/recall; CART y bosques aleatorios; elegir modelo según el costo de los errores. El taller predice la fuga de clientes (churn).

Teoría Práctica guiada Taller Video · Árboles de clasificación Datos: credito_clasificacion.csv · clientes_conectatel.csv

Semana 12 — Regresión: árboles, bosques y la ruta Lasso. El pipeline de regresión con MAE/RMSE contra un baseline; regresión lineal regularizada (Lasso), árboles de regresión y ensambles (random forest / XGBoost); interpretabilidad vs. desempeño. El taller avalúa apartamentos en Cali.

Teoría Práctica guiada Taller Video · Árboles de regresión Datos: notas_regresion.csv · apartamentos_cali.csv

Unidad 6 — Aprendizaje no supervisado

Semana 13 — Clustering: fundamentos y métricas. El clustering como segmentación sin target; k-means (distancia, escalamiento, centroides); elegir k con elbow y silhouette; perfilar los segmentos para que sean accionables. La práctica segmenta canciones de Spotify; el taller, los socios de un gimnasio.

Teoría Práctica guiada Taller Video · k-means Datos: spotify_canciones.csv · socios_califit.csv

Semana 14 — Examen Parcial 2. Segunda evaluación escrita integradora (20%), cubre las semanas 8–13. Del 26 al 31 de octubre.

Semana 15 — Simulacro de la presentación final. Cada grupo presenta una versión preliminar de su sustentación y recibe retroalimentación. Del 2 al 7 de noviembre.

Semana 16 — Presentación del Proyecto Final. Sustentación oral del proyecto (Entrega 3, 20%). Equivale a un examen: la asistencia es obligatoria. Del 9 al 14 de noviembre.

Evaluación

Componente	Peso	Uso permitido de IA
Quices conceptuales semanales (impresos, al inicio de la clase, cada semana de contenido)	25%	Sin IA
Talleres en clase (uno por sesión, se entregan en Intu)	10%	Colaboración con IA — cada decisión debe poder explicarse
Evaluación integradora 1 (semana 7)	20%	Sin IA
Evaluación integradora 2 (semana 14)	20%	Sin IA
Proyecto final (tres entregas)	25%	Planificación / colaboración con IA, según la entrega

Los quices y talleres no tienen recuperación; como mitigación, se elimina la peor nota de quices y la peor de talleres una única vez en el semestre. El uso de IA en actividades evaluables sigue la escala institucional de niveles de IAG de ICESI: cada actividad indica su nivel máximo permitido, y todo uso debe declararse, verificarse y ser trazable.

Proyecto final

Cada grupo de 3 estudiantes recibe una base de datos empresarial con múltiples variables — este semestre, el Caso Cóndor, una fintech andina (ficticia) de pagos y crédito —, formula su propia pregunta de negocio y la responde con una de las tareas analíticas del curso — clasificación, regresión o segmentación. Tres entregas: (1) la pregunta de negocio (semana 6 — requisito para las entregas posteriores), (2) la presentación oral del avance/EDA (semana 9, 5%) y (3) la sustentación final (semana 16, 20%). No hay documento escrito: la sustentación es el producto final, y el integrante que expone puede elegirse al azar.

Lineamientos del proyecto (PDF) Caso Cóndor · contexto (PDF) Datos (se unen por cliente_id): base_clientes.csv · anexo_transacciones.csv · anexo_creditos.csv · anexo_campanas.csv

Bibliografía y recursos

• Wickham, H. & Grolemund, G. (2017). R for Data Science. O’Reilly Media.
• James, G., Witten, D., Hastie, T. & Tibshirani, R. (2021). An Introduction to Statistical Learning: with Applications in R (2.ª ed.). Springer.
• Perkins, M., Roe, J. & Furze, L. (2025). Reimagining the Artificial Intelligence Assessment Scale (AIAS). JUTLP, 22(7).

---

Los materiales se publican progresivamente a lo largo del semestre. El podcast del curso — El Dato con Contexto — está en Spotify; los quices son impresos y se responden al inicio de cada clase, y los talleres se entregan en Intu al cierre de cada sesión.