Introducción

1

Qué aprenderás sobre crear startups

2

Qué necesitas para crear una compañía

3

Qué se necesita para fundar una Startup

Cómo validar tu idea y lanzarla

4

Cómo hablar con usuarios/clientes potenciales

5

Cómo lanzar tu startup

6

¿Cómo validar tu idea?

7

Landing pages

Entender cómo trabajar con OKRs

8

¿Qué son los OKR?

9

¿Cómo plantear OKR?

10

Herramientas para seguimiento de OKRs

11

Cómo implementar objetivos para equipos de trabajo

Legal

12

¿Por qué los asuntos legales son importantes?

Sales & Revenue

13

¿Por qué las ventas son importantes para las startups?

14

Sales funnel y sales pipeline

15

¿Cómo construir un equipo de ventas eficiente?

16

El modelo de compensación ideal

Aprender sobre Producto y Tecnología

17

¿Cuál es el papel de CTO?

18

¿Cómo construir un equipo de ingeniería?

19

Construir y ejecutar un roadmap de producto de forma eficiente

20

Errores de producto más comunes

Operación

21

El rol del COO y por qué es importante

22

¿Cómo ser un buen COO?

23

Tips y buenas prácticas

Finanzas de una Startup

24

Las finanzas en una startup

25

¿Cómo calcular cuánto puede vivir una startup?

26

Indicadores financieros importantes en early stage

27

Indicadores financieros desde serie semilla hasta series A

28

Indicadores financieros para series A en adelante

Cultura

29

¿Qué es la cultura, misión y valores de una startup?

30

¿Cómo dar feedback honesto?

31

¿Cómo liderar equipos de alto rendimiento?

Priorización

32

Why focus matters for startups

33

Key concepts and misconceptions

34

How to prioritize

35

How to scale a culture of focus

Growth

36

Unit Economics

37

¿Qué es Data Science y por qué es importante?

38

¿Cómo empezar con Data Science?

Fundraising

39

Lo básico que debes saber antes de levantar capital

40

Los principales términos legales que debes saber cuando levantas capital

41

¿Cuánto vale tu empresa?

42

Cómo hacer una IPO de pequeña capitalización

43

Construir una estrategia de levantamiento de capital

44

Información para construir un pitch

45

El storytelling detrás de un pitch

46

¿Cómo aprobar el Taller de Creación de Startups?

No tienes acceso a esta clase

¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera

¿Cómo empezar con Data Science?

38/46
Recursos

Aportes 26

Preguntas 5

Ordenar por:

¿Quieres ver más aportes, preguntas y respuestas de la comunidad?

Seria muy interesante realizar un modelo predictivo entrenado para identificar contratos estatales que puedan tener comportamientos comunes de corrupción.

Empezar con data science

Roles:

  • Analítica descriptiva: se basa en entendimiento de datos, estadística, visualización. Profesional: analista de datos. Toma estrategias de negocio
  • Analítica predictiva y prescriptiva: Profesional: científico de datos. Integra machine learning y deep learning
  • Garantía de los datos, arquitectura limpieza y estructura de bases de datos. Profesional: Ingeniero de datos.

Etapas:

  • Identificación y entendimiento de datos: De donde vienen, Tamaño de bases de datos, Donde almacenar, preguntas negocio, resultados, interesados, expectativas

  • Procesamiento de datos: Ingeniero de datos crea ETL: extraer, transforma, darle valor, limpiar, luego de pulirlos, cargarlos. Obtener lo relevante
    Garantizar la calidad: Volumen grande, Variedad no sólo numéricos, Valor buenos para responder preguntas, Velocidad que tan rápido se actualizan, Veracidad confianza 100% en ellos.
    Donde guardarlos: servicios de la nube.

  • Modelamiento de datos: no es bueno comenzar con maschine learning, conoce tus datos, aprovecha tu mercado, garantiza la calidad con analítica simple al comienzo,

  • Test y validación: pon a prueba tus algoritmos.

  • Comunicar: cuenta una historia para el entendimiento de tus análisis.

  • Herramientas: Power Bi, bokeh, Google data studio(pago)

Me encantó, me meteré a la escuela de Data Science #SmileduDemoDay2020

le recomiendo a todos los interesados,ver el canal de youtube DOT CSV desde el primer vídeo habla de Inteligencia artificial con una pasión increíble.

Sería chevere que la presentación contenga escritas las fases de las que habla el profe, para poder llevar mejor las anotaciones y en orden!

Empezar a usar machine learning:

Tras una iteración se puede repetir el ciclo, limpiar, obtener nuevos datos y crear primeros análisis predictivos. Ej: cuando se va un cliente. Machine learning identifica patrones de grandes bases de datos.

  • Algoritmos supervizados: conocer la salida y enseñar el camino a trazar.

  • Algoritmos no supervisados: útiles para encontrar patrones. Diferenciación de datos

  • Algoritmos de refuerzo: Se basa en errores, definir la función de recompensa, premia las buenas desiciones, castiga las malas.

  • Deep learning: basado en redes neuronales, organizados en capas. Capa de entrada, capas de procesamiento, capa de resultado. Neuronas son funciones no lineales que se comunican entre sí.

  • Implementacion: lenguaje mas popular: Python.

Hola, en archivos y enlaces no vi el link del video de youtube sobre veracidad que mencionaste en la clase. ¿Alguien lo tiene?

muy buena explicación sobre este mundo de Data Science, ya me emociono este mundo , aunque se que hay que darle un poco a números debe ser muy interesante trabajar en cada rol.

Me sonó raro que David mencionara algo de que las neuronas individuales son no lineares, pero al investigar en Internet vienen respuestas que dicen que son lineares y otras que no lo son. Alguien podría aclarar la confusión por favor? Gracias

Te felicito David Torres explicaste de una manera muy pragmatica, eres todo un crack te felicito

Big data:

  • Volumen.
  • Variedad.
  • Valor.
  • Velocidad.
  • Veracidad.

En econometría se ven bastante esto pero en mi universidad aún siguen enseñando Eviews para procesar datos. No les tenia tanto cariño en la u sobre esos cursos,me parecían aburridos. Al terminar esta clase me han dado ganas inmensurables de aprender toda la carrera de data sciene.

Que buen video.
Buenas tardes Querría aprovechar la oferta de renovación

Por fin entiendo (a manera muy general) jijiji

Las 5 v’s del Big data:

  • Volumen: Una base de datos debe tener gran volumen, entre mayor volumen mayor precisión de tus modelos.

  • Variedad: no te puedes limitar solo a datos del tipo numérico, debes tener variedad como imágenes o texto.

  • Valor: Tus datos deben ser suficientemente buenos para responder tus preguntas de negocio.

  • Velocidad: Que tan rápido puedes actualizar tus bases de datos y que tan rápido quieres que tus reportes se estén generando.

  • Veracidad: Tus datos deben ser 100% confiables.

38.-¿Cómo empezar con Data Science?


Tipos de analítica en un proyecto de data science:

  • Descriptiva: Se basa en el entendimiento de los datos, hacer análisis exploratorio y hacer uso de estadística y herramientas de visualización. Aquí aparece el analista de datos, debe contar con estos conocimientos así como con un gran conocimiento de la idea de negocio.
  • Predictiva y Prescriptiva: para estos casos dónde queremos construir modelos más complejos que predigan o prescriban necesitaremos de un científico de datos que además de tener las habilidades del anterior es capaz de integrar nuevas metodologías haciendo uso de algoritmos de ML y DL.
  • Todo esto no puede funcionar sin el ingeniero de datos que se encarga de garantizar la calidad y estructura de datos.
  • Identificacion de datos
  • Procesamiento de datos: volumen, variedad, valor,
    velocidad, veracidad.
  • Modelamiento de datos: valida tus datos
  • Test y valoración: poner a prueba tus algoritmos
  • Comunicar tus resultados

Se imaginan el equipo de data science en Tesla, debe ser algo uff.

Analista datos, trabaja con la información descriptiva.
Cientifico dato, adicional a las habilidades del analista de datos que usa el deep learning e AI. Además se tiene que tener al ingeniero de datos que desarrolla, construye, prueba y mantiene arquitecturas, bases de datos y sistemas de procesamiento a gran escala.

Interesante, empezare a aplicar estas predicciones con mis usuarios. con los datos de análisis exploratorios !!!

DATA ENGINEER
Este se encarga de:

  • Garantizar los datos
  • Proporcionar una arquitectura limpia
  • Crear una estructura de bases de datos
  • Crear un Flujo de bases de datos

¿Alguien tiene el enlace del vídeo de youtube que menciona el profesor?

😮 que super clase!!!

¡Excelente módulo!