Curso Online de Preguntas analíticas, datos y extracción de conocimiento

Programa acadèmic

Este curso consta de 6 créditos ECTS, prevé una dedicación del estudiante de 150 horas (25 horas por crédito) y tiene una duración de cuatro meses.

Contenidos

Reto 1. El arte de la interrogación. El arte de transformar la sospecha en un descubrimiento con evidencias

A menudo, los proyectos de datos nacen de una intuición o una necesidad de negocio mal definida: "notamos que algo falla" o "queremos más información sobre nuestros usuarios". Sin embargo, en el mundo de la analítica, una sospecha no es operativa hasta que no se transforma en una pregunta verificable.

En este primer reto, te pondrás en la piel de una investigadora para aprender a "domesticar" el caos inicial. Tener datos no es suficiente: hay que saber interrogarlos. Trabajaremos el arte de la conceptualización, y aprenderemos a acotar problemas reales y a formular preguntas (descriptivas, predictivas o causales) que realmente puedan responderse con el rigor de los números y la riqueza de las palabras.

¿Qué harás en este reto?

• Transformarás intereses en hipótesis concretas y aprenderás a evaluar la distancia entre los "datos ideales" y los "datos disponibles".
• Irás más allá de las simples medias. Harás un análisis exploratorio de datos (EDA) que combine la precisión de las variables numéricas con una primera inmersión en el mundo del texto (NLP básico), para aprender a extraer sentido de corpus pequeños con técnicas como la tokenización y el TF-IDF.
• Aprenderás a observar los datos con mirada crítica para identificar sesgos, outliers y vacíos de información que podrían invalidar tus conclusiones antes de empezar.
• Empezaremos a trazar el mapa de riesgos. ¿De dónde provienen estos datos? ¿Quién está detrás? ¿Qué permisos nos amparan?

Reto 2. El arte del triaje analítico. El mejor modelo para cada pregunta

Si en el reto 1 hemos aprendido a interrogar la realidad para obtener evidencias, en este segundo estadio nos enfrentaremos al dilema del decisor: ¿con qué herramienta debemos responder? En la era de la inteligencia artificial, la tentación es usar siempre el modelo más sofisticado. No obstante, el analista estratégico sabe que la sofisticación no es sinónimo de éxito.

Este reto te enseñará a llevar a cabo un triaje analítico: la habilidad de mapear preguntas concretas con métodos específicos. Aprenderás que cada elección técnica es, en realidad, una decisión de negocio que implica equilibrar precisión, coste, riesgo y, sobre todo, interpretabilidad.

¿Qué harás en este reto?

• Aprenderás a navegar por el catálogo de algoritmos —desde la simplicidad de una regla de negocio o una regresión hasta la potencia del aprendizaje automático— para elegir la solución óptima.
• Aplicarás el principio del no free lunch, que determina que, a veces, un método simple es más robusto y seguro que un modelo de "caja negra". Aprenderás a justificar tu elección ante un decisor.
• Pasarás de la teoría a la práctica con la implementación de un prototipo con estructuras de código que deberás completar y validar.
• Analizarás qué entiende realmente el decisor de tu solución. No buscamos solamente que el modelo "acierte", sino que sea trazable, explicable y transparente.

El objetivo de este reto es que dejes de ver los algoritmos como fórmulas abstractas y empieces a entenderlos como estrategias de respuesta. Al final, elaborarás un informe de análisis y un prototipo funcional en el que la clave será la solidez de los argumentos para elegir el mejor modelo para tu pregunta.

Reto 3. El arte de la auditoría. Del acierto estadístico a la responsabilidad algorítmica

Tener un prototipo que "funciona" es solo el principio: el verdadero reto empieza cuando nos planteamos si el modelo es suficientemente seguro, justo y robusto. En este tercer reto, dejamos de lado el rol de "constructor" para adoptar el del "auditor crítico". Aprenderás que una alta precisión puede ser un espejismo si no se evalúa con rigor o si esconde sesgos sistemáticos.

En este módulo, aprenderás a someter tus modelos a un examen de estrés, entendiendo que la responsabilidad del analista no se limita al código, sino que también engloba las consecuencias de sus predicciones.

¿Qué harás en este reto?

• Aprenderás a validar tus resultados con escepticismo. Utilizarás particiones de datos (train/test) y métricas de precisión avanzadas (F1-Score, curvas ROC) para entender los costes reales de cada error, especialmente en escenarios de datos descompensados. 
• Analizarás el comportamiento del modelo por subgrupos (como género o edad) para detectar si el algoritmo discrimina silenciosamente. No solamente identificaremos el sesgo, sino que esbozaremos estrategias para mitigarlo. 
• Aprenderás a abrir la "caja negra" del modelo para abordar la explicabilidad de los resultados. Utilizarás técnicas para comunicar qué factores pesan más en las decisiones, para garantizar que el modelo sea comprensible para un público mixto.
• Elaborarás un bias & impact statement, un ejercicio de honestidad profesional en el que definirás a partir de qué criterios el modelo es apto para ser desplegado y qué riesgos hay que vigilar de cerca.

El objetivo final es que entiendas que el dato nunca es neutro. Al finalizar este reto, no solo entregarás una auditoría técnica, sino también un compromiso de responsabilidad, para garantizar que tu solución no es solo inteligente, sino también ética y trazable.

Reto 4. El arte de la prudencia. Gobernanza, límites y el mapa de tu TFM

Propósito: incorporar el privacy by design, la seguridad y la gobernanza en el diseño analítico, y entender qué no puede responder la IA, además de conectarlo con una idea de TFM (temática, datos, riesgos).

Llegamos a la última etapa del viaje. Hemos aprendido a interrogar la realidad, a elegir el mejor aliado algorítmico y a auditar su rigor. Ahora, el reto final consiste en levantar la mirada del código para entender el ecosistema donde vivirá nuestra solución. En este módulo, aprenderás que la potencia de la IA solo es transformadora si va acompañada de seguridad, privacidad y una gobernanza sólida.

Este reto sirve para poner el escudo final a tu diseño analítico y, al mismo tiempo, para convertir todo el conocimiento adquirido en la semilla de un potencial trabajo final de máster (TFM). Es el momento de demostrar que no solo sabes modelizar, sino que sabes liderar proyectos con sentido y visión de futuro.

¿Qué harás en este reto?

• Integrarás la privacidad no como un trámite legal de última hora, sino como un control técnico y procedimental desde la génesis del proyecto. Aprenderás a proteger la identidad y los derechos detrás de cada dato.
• Explorarás las fronteras de la tecnología. Debatiremos sobre qué no puede responder la IA (o no debe responder) y analizaremos dilemas éticos, el "sentido común" artificial y la seguridad ante ataques adversarios.
• Definirás los criterios críticos para decidir cuándo un sistema no debe desplegarse, y aprenderás a gestionar las expectativas y los riesgos de un entorno real (gobernanza).
• Transformarás una idea en un proyecto viable. Elaborarás una nota de concepto que defina tu problema, las fuentes de datos, los riesgos previstos y tu plan de evaluación de impacto.
• El objetivo final de este reto es dotarte de la madurez profesional necesaria para diseñar sistemas resilientes. Al finalizar, no solo habrás entregado un ejercicio, sino que habrás trazado la hoja de ruta de tu propio futuro académico y profesional, que garantizará que tu camino hacia el TFM sea viable, ético y con impacto real.

Resultados de aprendizaje

En este curso adquirirás los siguientes conocimientos, habilidades y competencias:

Conocimientos

• K1. Analizar críticamente las necesidades, las potencialidades, las limitaciones, los riesgos y las tendencias en la aplicación de la ciencia de datos a contextos organizativos y de investigación social, integrando consideraciones técnicas, éticas y de impacto social.
• K2. Seleccionar, mediante criterios técnicos y metodológicos, las fuentes de datos y los conjuntos de datos relevantes para una aplicación de negocio o una investigación social determinada, teniendo en cuenta el contenido, la tipología y el formato.
• K3. Diagnosticar los puntos críticos y los factores de éxito técnicos, humanos y normativos que condicionan el desarrollo de proyectos de analítica de datos en entornos complejos.
• K4. Justificar el proceso y las fases de un proyecto de analítica de datos y sus implicaciones técnicas y metodológicas en la toma de decisiones sobre la selección, captura, almacenamiento, tratamiento, análisis y presentación de los datos.
• K8. Examinar el contexto sociotécnico, ético y legal en el que se produce el uso de datos, y sus efectos en la toma de decisiones organizativas o en la investigación en ciencias sociales.

Habilidades

• S9. Crear textos escritos y presentaciones orales en un contexto académico y profesional, para demostrar habilidades comunicativas.

Competencias

• C1. Actuar de forma honesta, ética, sostenible, socialmente responsable y respetuosa con los derechos humanos y la diversidad, incorporar la perspectiva de género tanto en la práctica académica como en la profesional, y diseñar soluciones para la mejora de estas prácticas.
• C5. Presentar proyectos de explotación, analítica y visualización de datos, y adecuarse al público al que se dirige la presentación.

Este curso corresponde al nivel 7 del Marco europeo de cualificaciones (EQF), equivalente a un nivel de máster.

Objectius

Este curso está orientado a la adquisición de competencias profesionales de carácter práctico y se ha diseñado con el objetivo de dar respuesta a las necesidades actuales de la sociedad y el mercado de trabajo. 

Con esta microcredencial conseguirás los siguientes objetivos:

• Evaluar el impacto de la IA: analizar críticamente las potencialidades, las limitaciones y los riesgos de la aplicación de la ciencia de datos, integrando consideraciones técnicas y de impacto social.
• Selección estratégica de datos: seleccionar las fuentes de datos más relevantes para cada reto de negocio, y justificar su uso según criterios técnicos y metodológicos.
• Diagnóstico de proyectos: identificar los factores de éxito y los puntos críticos (humanos, normativos y técnicos) que condicionan los proyectos de analítica en entornos complejos.
• Auditoría y ética algorítmica: examinar el contexto legal de los datos para actuar de forma socialmente responsable y garantizar soluciones libres de sesgos y respetuosas con la diversidad.
• Trazabilidad del ciclo de vida: justificar cada fase de un proyecto de datos, desde la selección y captura hasta el tratamiento y la explotación.
• Comunicación de alto nivel: crear presentaciones y textos académicos y profesionales para comunicar eficazmente los resultados de proyectos analíticos al público decisor.