Home

Objetivo general

Al término del curso los alumnos serán capaces de aplicar diferentes metodologías de inteligencia de negocios en el análisis de datos para la creación de productos y evaluación de proyectos.

Fecha Inicio: 07-10-2024 / Fecha Término: 11-12-2024

Valor:CLP $ 490.000 / USD $ 530.66

Descuento Convenios:

Prerrequisitos: El curso requiere nivel escolar de matemáticas, estadística y excel a nivel básico. NO requiere habilidades de programación previa, pues si bien se entregarán ejemplos prácticos con código ejecutado, el foco no estará en el código sino en las estrategias de solución y en las aplicaciones posibles en la industria.
Preparación recomendada:
Repasar resolución de problemas básicos de matemáticas y estadística 
Crear cuenta en Chat-GPT, Llama Meta, Claude y Codeium

Total de horas:40 horas cronológicas

Horarios:

Día Hora Inicio Hora Término Sala
Lunes 17:00 19:00 Intro. a la Inteligencia
Miercoles 17:00 19:00 Intro. a la Inteligencia

Secciones
Si hay 2 o más secciones debe seleccionar una

Introducción A La Inteligencia De Negocios En La Industria Asegurador - s2

Fecha Inicio : 07/10/2024
Fecha Término : 11/12/2024
Horas : 40
Día Hora Inicio Hora Término Sala
Lunes 17:00 19:00 Intro. a la Inteligencia
Miercoles 17:00 19:00 Intro. a la Inteligencia

Plan de estudios

Contenido de la unidad ¿Cómo usar las LLM para apoyarte en el trabajo con el uso de datos?

• ¿Cómo hacer un buen prompt?
• ¿Cómo validar resultados?
• ¿Cómo crear agentes especializados con GPT 4.0? (cuenta pagada)
• ¿Cómo mejorar los resultados usando varias LLM al mismo tiempo? La importancia de mantener la ética en el uso de LLM

Contenido de la unidad Fundamentos de inteligencia de negocios y el uso de modelos para agregar valor usando los datos

• ¿Qué es inteligencia de negocios?
• La diferencia entre medir procesos y resultados
• ¿Qué es y cómo crear un buen KPI? Análisis del paper Competing on analytics
• ¿Qué significa machine learning, Deep learning e IA? ¿En qué se diferencian y cuándo se usan?
• ¿Qué es un Data product? ¿Cuáles son sus componentes y cuándo debo construir uno?
• ¿Cómo evaluar una iniciativa asociada al uso de los datos?
• Análisis del podcast:

Contenido de la unidad Fundamentos para el tratamiento de datos

• Análisis del paper CRISPDM Towards a Standard Process Model for Data Mining
• y cómo adaptarlo a las aplicaciones actuales
• Tipos de datos a los que me voy a enfrentar y sus usos más comunes
• ¿Qué significa Extracción, limpieza y transformación de datos?
• ¿Por qué necesito hacer exploración los datos? ¿cuáles son los métodos más comunes?
• ¿Por qué necesito hacer limpieza? ¿cuáles son los métodos más comunes?
• ¿Cuándo necesito hacer transformación de los datos? ¿cuáles son los métodos más comunes?
• Caso práctico 1: Ver cómo se aplican las técnicas de limpieza y transformación más comunes sobre un dataset asociado a la venta de seguros de vida (https://www.kaggle.com/datasets/anmolkumar/health-insurance-cross-sell prediction/data)
• Caso práctico 2: Visualización y presentación de resultados utilizando Tableau Public o Metabase Open Source

Contenido de la unidad Estadística básica, experimentación y validación de hipótesis

• Conceptos fundamentales y técnicas más utilizadas de la estadística descriptiva: medidas de tendencia central, análisis univariado, bivariado, multivariado y test de hipótesis
• Caso práctico 1: Hacemos exploración de datos usando lo aprendido sobre el dataset de seguros de vida
• ¿Cómo saber si los productos que estoy vendiendo son los adecuados? ¿Puedo medir mis esfuerzos de comercialización? ¿cómo?
• ¿Qué es un A/B testing? análisis del paper: A/B testing: A systematic literature review
• Caso práctico 2: Realizamos un análisis de experimentación usando datasets simples de marketing (https://www.kaggle.com/datasets/faviovaz/marketing-ab-testing/data) o (https://www.kaggle.com/datasets/amirmotefaker/ab-testing-dataset/data)

Contenido de la unidad Medición del riesgo usando modelos de clasificación

• ¿Qué significa riesgo y por qué se mide?
• ¿Qué es un modelo de clasificación y para qué se puede usar?
• Análisis de caso práctico usando el paper de riesgo de pago de clientes en una empresa chilena
• Análisis de caso práctico usando el paper sobre detección de falsos reclamos al seguro de automóviles de una compañía de USA
• Caso práctico 1: Cómo simplificar la medición del riesgo puede incrementar la adquisición del producto usando datos de una competencia en Kaggle (https://www.kaggle.com/competitions/prudential-life-insurance-assessment/overview)
• Caso práctico 2: Visualización y presentación de resultados utilizando Tableau Public o Metabase Open Source

Contenido de la unidad Estimaciones de precio básicas usando regresiones

• ¡Qué es una regresión y para qué se puede usar?
• Análisis de caso práctico usando el paper que utiliza regresiones para estimar la demanda de seguros de salud en USA
• Caso práctico 1: Entender regresiones lineales simples y múltiples haciendo una estimación del costo de un seguro de salud en USA
(https://www.kaggle.com/datasets/teertha/ushealthinsurancedataset/data)
• Caso práctico 2: Entender las técnicas de regresión disponibles y cómo evaluarlas usando la competencia de predicción de precios de casas de Kaggle (https://www.kaggle.com/competitions/house-prices-advanced-regression-techniques)

Contenido de la unidad Generación de segmentación de clientes usando análisis RFM y técnicas de clustering

• ¿Qué es una segmentación y cómo puede ser útil en la industria de seguros?
• ¿Qué es el análisis RFM? ¿Cuándo lo puedo aplicar y para qué sirve?
• Caso práctico 1: Realizamos una segmentación con un dataset público de transacciones de tarjeta de crédito para entender cómo segmentar a las personas en base a su consumo
(https://www.kaggle.com/datasets/arjunbhasin2013/ccdata/data)
(https://www.kaggle.com/datasets/shivamb/bank- customer-segmentation/data)
• Caso práctico 2: Visualización y presentación de resultados utilizando Tableau Public o Metabase Open Source

Contenido de la unidad Construcción de sistemas con resiliencia

• ¿Por qué debo pensar en sistemas y no solo en modelos?
• ¿Qué es la deuda técnica?
• Análisis de paper Hidden technical debt in machine learning systems
• ¿Qué es el drift y cómo abordarlo? se entregan ejemplos
• ¿Qué es el sesgo y cómo abordarlo? se entregan ejemplos Análisis de paper Temporal quality degradation in AI models Gestión operacional de sistemas de ML
o ¿Cómo monitorear mi sistema?
o ITIL: Un framework para abordar incidentes en sistemas de ML

Contenido de la unidad Fundamentos de infraestructura para la construcción de sistemas con resiliencia

• ¿Qué es una API, FTP? ¿en qué se diferencian? ¿Cuándo se usan?
• ¿Qué es un Data Lake y un Data Warehouse? ¿En qué se diferencian? ¿Para qué se usan?
• ¿Cuáles son los tipos de bases de datos más comunes? ¿Cuáles son las características, ventajas y desventajas de cada uno?
• ¿Cuáles son los motores de bases de datos más comunes? ¿Cuáles son las características, ventajas y desventajas de cada uno?
• ¿Qué es un ambiente de trabajo?
• ¿Qué es docker y para qué se usa?
• ¿Qué es Kubernets y para qué se usa?
• Lectura de paper sobre la importancia en la creación de herramientas para crear áreas con alta performance usando el paper Nailing Prediction:Experimental Evidence on the Value of Tools in Predictive Model Development

Valores

$490.000 CLP / $530.66 USD

Descuento Convenios:

Prerrequisitos: El curso requiere nivel escolar de matemáticas, estadística y excel a nivel básico. NO requiere habilidades de programación previa, pues si bien se entregarán ejemplos prácticos con código ejecutado, el foco no estará en el código sino en las estrategias de solución y en las aplicaciones posibles en la industria.
Preparación recomendada:
Repasar resolución de problemas básicos de matemáticas y estadística 
Crear cuenta en Chat-GPT, Llama Meta, Claude y Codeium

Formas de pago

Para personas: Contado, Transferencia bancaria nacional, Tarjeta de Crédito, Pago en línea a través de Webpay

Para empresas: Orden de Compra, pago contra factura.

Para extranjeros: Transferencia bancaria

Acceder

Debes iniciar sesion para comprar este producto

Contáctanos

Formamos líderes en riesgos, seguros, lineas financieras y pensiones para
Latinoamerica. Solicita más información.

Dirección

La Concepción 322, oficina 402, Providencia.
Santiago, Chile.