Capacitación Empresarial

Dirigido a

Profesionales, técnicos y egresados universitarios de las áreas administrativa, comercial, financiera, de recursos humanos, operaciones, logística y dirección estratégica que deseen fortalecer sus competencias en el manejo avanzado de Excel para el análisis, la automatización y la comunicación de información de negocio. Dirigido a quienes desempeñan funciones de análisis, planificación, control de gestión, reportería o toma de decisiones. Se recomienda manejo básico de Excel (fórmulas simples y formato de datos); no se requiere experiencia previa en programación ni en herramientas de inteligencia de negocios.

Objetivo general

Formar profesionales capaces de utilizar Excel como herramienta avanzada de análisis, modelado y visualización de datos, integrando funciones, Power Query, Power Pivot, automatización y herramientas de inteligencia artificial, para apoyar procesos de reportería y toma de decisiones informadas en el ámbito organizacional.

Objetivos específicos

• Comprender los fundamentos del análisis de datos y la cultura data-driven.
• Aplicar funciones avanzadas de Excel (lógicas, de texto, de fecha y de búsqueda) para resolver problemas de negocio.
• Construir y explotar tablas dinámicas para el análisis multidimensional de información.
• Conectar, limpiar y transformar datos de distintas fuentes mediante Power Query.
• Diseñar modelos de datos relacionales en Power Pivot y construir medidas básicas con DAX.
• Diseñar dashboards y reportes ejecutivos con criterios de usabilidad y narrativa visual.
• Automatizar tareas repetitivas mediante macros y fundamentos de VBA.
• Aplicar herramientas de inteligencia artificial generativa como apoyo a la construcción de fórmulas y la depuración de datos.
• Comunicar resultados analíticos de manera efectiva a públicos técnicos y no técnicos.
• Desarrollar un proyecto final integrador que demuestre el dominio de las competencias adquiridas.

Cuerpo docente

Curso dictado por Oscar González Frutos, Consultor en Análisis de Datos con más de 10 años de experiencia, junto a un equipo de especialistas en análisis de datos y herramientas ofimáticas avanzadas, con experiencia aplicada en proyectos reales de análisis, automatización y reportería en organizaciones públicas y privadas.

Evaluación

• Participación en clases y actividades prácticas: 20%.
• Trabajos aplicados por módulo (talleres, dashboards, análisis de casos): 30%.
• Proyecto final integrador: 40%.
• Presentación y defensa del proyecto final: 10%.

Bibliografía

• Alexander, M. y Kusleika, D. (2022). Excel Power Pivot and Power Query For Dummies (2.ª ed.). Wiley.
• Bourg, D. M. (2019). Excel VBA Programming for Dummies (5.ª ed.). Wiley.
• Few, S. (2012). Show Me the Numbers: Designing Tables and Graphs to Enlighten (2.ª ed.). Analytics Press.
• Jelen, B. (2023). Power Excel with MrExcel. Holy Macro! Books.
• Winston, W. L. (2019). Microsoft Excel Data Analysis and Business Modeling (6.ª ed.). Microsoft Press.
• Microsoft. Documentación de Excel y guía de Power Query: learn.microsoft.com/es-es/office/vba/api/overview/excel · learn.microsoft.com/es-es/power-query/

Dirigido a

Profesionales, técnicos y egresados universitarios de las áreas administrativa, comercial, financiera, de recursos humanos, operaciones, sistemas y dirección estratégica que deseen desarrollar competencias en análisis de datos, inteligencia de negocios y uso de Power BI e inteligencia artificial aplicada a la toma de decisiones. Se recomienda manejo básico de herramientas ofimáticas (Excel); no se requiere experiencia previa en programación ni en herramientas de inteligencia de negocios.

Objetivo general

Formar profesionales capaces de diseñar, implementar y comunicar soluciones de inteligencia de negocios mediante el uso de Power BI y de herramientas de inteligencia artificial, aplicando procesos de conexión, transformación, modelado, análisis y visualización de datos que contribuyan a una toma de decisiones informada, oportuna y estratégica en el ámbito organizacional.

Objetivos específicos

• Comprender los fundamentos conceptuales de la inteligencia de negocios (Business Intelligence) y la cultura data-driven.
• Aplicar el flujo de trabajo integral de un proyecto de BI, desde la conexión de fuentes de datos hasta la publicación de reportes.
• Preparar, limpiar y transformar datos provenientes de distintas fuentes mediante Power Query.
• Diseñar modelos de datos relacionales eficientes, aplicando buenas prácticas de modelado dimensional.
• Construir medidas, columnas calculadas e indicadores mediante el lenguaje DAX.
• Diseñar dashboards y reportes ejecutivos con criterios de usabilidad, narrativa visual y diseño de información.
• Publicar, actualizar y administrar informes en Power BI Service, aplicando criterios de colaboración y seguridad de la información.
• Aplicar herramientas de inteligencia artificial generativa como apoyo al análisis exploratorio y la generación de insights.
• Automatizar procesos de actualización y generación de reportes.
• Comunicar resultados analíticos mediante técnicas de storytelling con datos.
• Desarrollar un proyecto final integrador que demuestre el dominio de las competencias adquiridas.

Cuerpo docente

Programa dictado por Oscar González Frutos, Consultor en Análisis de Datos con más de 10 años de experiencia, junto a especialistas con experiencia aplicada en proyectos reales de análisis de datos e implementación de soluciones de inteligencia de negocios en organizaciones públicas y privadas.

Evaluación

• Participación en clases y actividades prácticas: 20%.
• Trabajos aplicados por módulo (talleres, dashboards, análisis de casos): 30%.
• Proyecto final integrador: 40%.
• Presentación y defensa del proyecto final: 10%.

Bibliografía

• Ferrari, A. y Russo, M. (2020). The Definitive Guide to DAX (2.ª ed.). Microsoft Press.
• Few, S. (2012). Show Me the Numbers: Designing Tables and Graphs to Enlighten (2.ª ed.). Analytics Press.
• Kimball, R. y Ross, M. (2013). The Data Warehouse Toolkit (3.ª ed.). Wiley.
• Powell, B. (2022). Mastering Microsoft Power BI (2.ª ed.). Packt Publishing.
• Microsoft. Documentación de Power BI: learn.microsoft.com/es-es/power-bi/ · SQLBI. DAX Guide: dax.guide/

Dirigido a

Profesionales, técnicos y egresados universitarios de las áreas de sistemas, administración, finanzas, comercial, operaciones y análisis de negocio que deseen desarrollar competencias en consulta, modelado y explotación de bases de datos relacionales mediante SQL. Dirigido a quienes desempeñan funciones de análisis de datos, reportería, control de gestión, desarrollo de sistemas o toma de decisiones. No se requiere experiencia previa en programación ni en administración de bases de datos.

Objetivo general

Formar profesionales capaces de consultar, modelar y analizar información almacenada en bases de datos relacionales mediante el lenguaje SQL, integrando herramientas de inteligencia artificial, para apoyar procesos de análisis de datos y toma de decisiones informadas en el ámbito organizacional.

Objetivos específicos

• Comprender los fundamentos de las bases de datos relacionales y la cultura data-driven.
• Construir consultas SQL con SELECT, aplicando filtros y criterios de ordenamiento.
• Aplicar funciones de agregación y cláusulas GROUP BY / HAVING para el análisis resumido de información.
• Combinar información de múltiples tablas mediante distintos tipos de JOIN, respetando la cardinalidad de las relaciones.
• Construir subconsultas y funciones de ventana para problemas analíticos avanzados.
• Diseñar modelos de bases de datos relacionales aplicando normalización e integridad referencial.
• Aplicar buenas prácticas de optimización de consultas y de escritura de código SQL.
• Aplicar herramientas de inteligencia artificial generativa como apoyo a la generación, depuración y optimización de consultas SQL.
• Comunicar resultados analíticos de manera efectiva a públicos técnicos y no técnicos.
• Desarrollar un proyecto final integrador que demuestre el dominio de las competencias adquiridas.

Cuerpo docente

Curso dictado por Oscar González Frutos, Consultor en Análisis de Datos con más de 10 años de experiencia, junto a especialistas en bases de datos y análisis de información, con experiencia aplicada en diseño de bases de datos, consultas analíticas e implementación de soluciones de reportería en organizaciones públicas y privadas.

Evaluación

• Participación en clases y actividades prácticas: 20%.
• Trabajos aplicados por módulo (talleres, consultas, análisis de casos): 30%.
• Proyecto final integrador: 40%.
• Presentación y defensa del proyecto final: 10%.

Bibliografía

• Beaulieu, A. (2020). Learning SQL: Generate, Manipulate, and Retrieve Data (3.ª ed.). O’Reilly Media.
• Date, C. J. (2019). Database Design and Relational Theory (2.ª ed.). Apress.
• Kimball, R. y Ross, M. (2013). The Data Warehouse Toolkit (3.ª ed.). Wiley.
• Molinaro, A. (2020). SQL Cookbook: Query Solutions and Techniques for All SQL Users (2.ª ed.). O’Reilly Media.
• Silberschatz, A., Korth, H. F. y Sudarshan, S. (2020). Database System Concepts (7.ª ed.). McGraw-Hill.
• PostgreSQL Global Development Group. Documentación oficial: postgresql.org/docs/

Metodología

Formación 100% online y en vivo. Cada semana incluye una sesión de 3 horas de clase en vivo por Zoom —con explicación de conceptos, demostraciones prácticas y resolución de dudas en tiempo real— más 3 horas de trabajo autónomo guiado, totalizando 48 horas en 8 semanas. El enfoque es práctico y basado en proyectos: cada participante trabaja sobre datasets reales aplicando el flujo de trabajo de ciencia de datos, con acompañamiento del instructor y el uso de herramientas de IA generativa como apoyo a la programación y el análisis. Las clases quedan grabadas y disponibles para los alumnos inscritos, e incluye certificación digital Quantux AI al finalizar.

Dirigido a

Profesionales, estudiantes, docentes, emprendedores, analistas, consultores, técnicos y personas interesadas en iniciarse en la programación y el análisis de datos con Python, sin necesidad de conocimientos previos de programación. Ideal para quienes buscan aplicar Python al análisis de datos, la automatización de tareas y la inteligencia artificial en su ámbito profesional o académico.

Objetivo general

Formar personas capaces de programar en Python y aplicar sus librerías especializadas al análisis de datos, la estadística, la visualización y el aprendizaje automático, integrando herramientas de inteligencia artificial generativa como apoyo a la programación y el análisis, para el desarrollo de proyectos de datos aplicados a contextos reales.

Objetivos específicos

• Comprender los fundamentos de la ciencia de datos y el flujo de trabajo CRISP-DM.
• Instalar y configurar un entorno profesional de desarrollo en Python (VS Code, entornos virtuales).
• Aplicar la sintaxis básica de Python: variables, tipos de datos y estructuras de control.
• Utilizar estructuras de datos (listas, tuplas, diccionarios, sets), funciones y programación orientada a objetos.
• Manipular y limpiar datos con NumPy y Pandas desde múltiples fuentes (CSV, Excel, JSON, SQL).
• Realizar análisis exploratorio de datos (EDA) y detectar valores atípicos.
• Diseñar visualizaciones efectivas y narrativas de datos con Matplotlib, Seaborn y Plotly.
• Aplicar conceptos de estadística inferencial y probabilidad para la validación de hipótesis.
• Construir modelos de machine learning supervisado y no supervisado con Scikit-learn.
• Incorporar herramientas de inteligencia artificial generativa (ChatGPT, Claude, GitHub Copilot, Gemini) como apoyo a la programación y el análisis.
• Desarrollar un proyecto final integrador que demuestre el dominio de las competencias adquiridas.

Cuerpo docente

Curso a cargo de Oscar González Frutos, Consultor en Análisis de Datos con más de 10 años de experiencia, junto a facilitadores especializados en programación, análisis de datos y ciencia de datos aplicada, con experiencia en proyectos reales basados en Python y en la incorporación de IA generativa a los procesos de programación y análisis.

Evaluación

• Participación en clases y actividades prácticas: 20%.
• Trabajos aplicados por módulo (ejercicios, notebooks, análisis EDA): 30%.
• Proyecto final integrador: 40%.
• Presentación del proyecto final: 10%.

Bibliografía

• Downey, A. B. (2015). Think Python: How to Think Like a Computer Scientist (2.ª ed.). O’Reilly Media.
• Géron, A. (2022). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3.ª ed.). O’Reilly Media.
• Grus, J. (2019). Data Science from Scratch (2.ª ed.). O’Reilly Media.
• McKinney, W. (2022). Python for Data Analysis (3.ª ed.). O’Reilly Media.
• VanderPlas, J. (2016). Python Data Science Handbook. O’Reilly Media.
• Kaggle Datasets: kaggle.com/datasets · Scikit-learn Docs: scikit-learn.org/stable/