Analítica para los Negocios
Curso de pregrado sobre cómo convertir datos en evidencia para decisiones de negocio, con inteligencia artificial generativa transversal a todo el semestre: R y el tidyverse, el proceso de business analytics, calidad de datos y EDA, LLMs y agentes de código, fundamentos de machine learning, clasificación y regresión con árboles, bosques aleatorios y Lasso, y clustering con k-means — cerrando con un proyecto en grupo sustentado oralmente.
Instructor: Eduard F. Martínez-González · Tatiana Mejía Herrera
Institution: Universidad ICESI — Departamento de Economía
Course code: 06278-ECO
Program: Pregrado
Term: 27 de julio – 14 de noviembre de 2026 (periodo 202610)
Credits: 3
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:
- 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 y el quiz semanal están en Intu (plataforma institucional).
- Práctica guiada — la aplicación en clase, paso a paso.
- Taller — la actividad evaluable que cada estudiante desarrolla durante la sesión.
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.
Diapositivas (PDF) 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.
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.
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 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.
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 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 13 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 27 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 8 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 (cada semana de contenido, en Intu) | 25% | Sin IA |
| Talleres en clase (uno por sesión) | 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 recibe una base de datos empresarial con múltiples variables, 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.
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).
Handouts de referencia de la edición anterior, disponibles como lectura complementaria: IA y Machine Learning · LLMs, Skills y Agentes · Prompts: cómo formular preguntas a una IA
Los materiales se publican progresivamente a lo largo del semestre. Los podcasts y quices semanales están en Intu.