1. Qué es Data Science en entornos corporativos actuales
  2. Roles, flujos de trabajo y madurez analítica en organizaciones
  3. Arquitectura moderna de datos: del BI tradicional al analytics engineering
  4. Introducción al stack tecnológico actual cloud e IA
  5. Herramientas self-service y su impacto organizacional

  1. SQL avanzado para análisis (CTEs, ventanas, optimización)
  2. Modelado analítico vs modelado transaccional
  3. Introducción a dbt (data build tool)
  4. Data Warehouses y motores analíticos modernos Snowflake: conceptos clave y casos de uso
  5. Gobierno de datos y calidad desde el modelado

  1. Entorno de trabajo y notebooks (conda, VS Code, Jupyter)
  2. Python para análisis con librerías actuales
  3. Limpieza, transformación y validación de datos
  4. Análisis exploratorio de datos (EDA)
  5. Integración de Python con SQL y motores analíticos modernos
  6. Buenas prácticas: rendimiento, reproducibilidad y documentación

  1. Introducción a la IA generativa y LLMs
  2. Asistentes de IA como copiloto del analista de datos
  3. Prompt engineering para análisis de datos
  4. IA generativa en herramientas de negocio
  5. Limitaciones, riesgos y buenas prácticas de uso

  1. Principios de visualización efectiva
  2. Diseño orientado a negocio y toma de decisiones
  3. Power BI para análisis y reporting moderno
  4. Looker Studio
  5. Alternativas actuales y criterios de elección de herramientas
  6. Storytelling con datos y presentación ejecutiva
  7. IA en la visualización: Copilot en Power BI y funciones automatizadas de insight

  1. Introducción al machine learning para analistas
  2. Preparación de datos y feature engineering
  3. Modelos supervisados más usados en negocio
  4. Evaluación de modelos y métricas
  5. Uso responsable de modelos predictivos
  6. Integración de modelos con herramientas analíticas

  1. Ética del dato en entornos empresariales
  2. Sesgos en datos y algoritmos
  3. Riesgos legales, reputacionales y regulatorios
  4. Principios de IA responsable
  5. Transparencia, explicabilidad y trazabilidad
  6. Casos prácticos y ejemplos reales

  1. El rol del analytics engineer
  2. Automatización de pipelines analíticos
  3. Testing y validación de datos
  4. Documentación viva de modelos y métricas
  5. Integración de IA para acelerar el ciclo analítico
  6. Buenas prácticas en entornos colaborativos