Contenido del curso
Ciencia de datos para negocios sin programar
Más del 90% de los datos generados en la historia se produjeron en los últimos dos años, y la ciencia de datos para análisis de negocios es la disciplina que convierte esa avalancha en decisiones estratégicas. Aquí descubrirás cómo pasar de los fundamentos a aplicar machine learning en problemas reales de empresa, sin necesidad de ser programador.
¿Qué aprenderás en un curso de ciencia de datos aplicado a negocios?
El recorrido está pensado para quienes buscan respaldar estrategias con evidencia y generar impacto medible, no para escribir código avanzado.
Vas a explorar tres grandes bloques que se conectan entre sí:
La idea es que termines con una caja de herramientas práctica, lista para aplicar en tu trabajo desde el primer día.
¿Cómo convertir datos en decisiones de negocio reales?
Imagina que cada semana llegan cientos de reseñas de clientes a tu bandeja. Leerlas una por una es imposible, pero ignorarlas tiene un costo.
Ahí entra la minería de texto, una técnica que detecta patrones de satisfacción y quejas recurrentes en segundos. Lo que antes era ruido disperso se transforma en insights claros que puedes usar para ajustar producto, atención o comunicación.
Ese mismo principio se replica en otros frentes: ventas, operaciones, marketing. Cuando los datos están bien leídos, dejan de ser archivos olvidados y se convierten en argumentos que sostienen decisiones.
¿Qué es la minería de texto? Es una técnica que analiza grandes volúmenes de texto, como reseñas o comentarios, para identificar patrones, temas frecuentes y sentimientos sin leerlos manualmente.
¿Para quién es este enfoque de datos sin programación?
No todos los perfiles que trabajan con datos necesitan dominar lenguajes de programación. Muchos profesionales del negocio requieren entender la lógica, interpretar resultados y traducirlos en acción.
Este enfoque está pensado para ti si:
La diferencia entre un negocio promedio y uno guiado por datos suele estar en quién hace las preguntas correctas, no solo en quién escribe el código.
¿Necesito saber programar para aplicar ciencia de datos en mi negocio? No. Puedes usar los datos de forma práctica para tomar mejores decisiones y respaldar estrategias sin escribir código, siempre que entiendas la lógica detrás del análisis.
¿Por qué los datos son la nueva ventaja competitiva?
El volumen de información disponible crece a una velocidad sin precedentes. Más del 90% de los datos de toda la historia se generaron en los últimos dos años, y esa cifra seguirá escalando.
Las empresas que aprenden a leer ese flujo encuentran oportunidades antes que la competencia. Las que no, reaccionan tarde. Por eso hablamos de un futuro de negocios guiados por ciencia de datos, donde la prospectiva, la capacidad de anticipar escenarios, se vuelve tan valiosa como el análisis del presente.
Detrás de esta visión está Frida Ru, especialista en inteligencia artificial y prospectiva, quien lidera AI the New Sexy, una iniciativa para democratizar la IA en América Latina y cerrar brechas de género y diversidad en el sector.
¿Qué decisión de tu negocio te gustaría tomar con datos en lugar de intuición? Cuéntalo en los comentarios y compartamos enfoques.
Luis Rendueles
Estudiante
Mateo Orozco Lotero
Estudiante
Frida Ruh
Profesor
Jennifer Lisandra García Orellana
Estudiante
Aaron Mainero
Estudiante
Julio Ernesto Quele Chile
Estudiante
Moisés Arocha
EstudianteJennifer Lisandra García Orellana
Estudiante
Alejandro Vega Villegas
Estudiante
Gabriel Obregón
Estudiante
Sebastián Reyes
Estudiante
Gerardo Estrella
Estudiante
Ronald Rafael Aroní Prada
Estudiante
Scarleth Selene Villagrana Alcalá
Estudiante
José Dominguez
Estudiante
Valentina Herrera Mendez
Estudiante
José Antonio De La Paz Fonseca
Estudiante
ltarevalo
Estudiante
Hugo Ocampo
Estudiante
Carlos Andres Prieto Garavito
Estudiante
luis barrios
Estudiante
Claudia Suárez
EstudianteClaudia Suárez
Estudiante
Jhon Freyman Ramírez Cortés
Estudianteya había terminado la ruta de data analyst, ahora me queda este!!! vamos con todo!!!
Quienes en el 2025?
Uff! fuiste de los primeritos 💚
2026
Soy de El Salvador, Soy Julio Quele, de 48 años, Ingeniero Industrial con mas de 15 años de experiencia en el rubro maquila, pero hace 5 años sufri una lesion de columna, estoy ya casi a un 75% de recuperacion y ahora deseo reinventarme al estudiar, comprender y aprender a ser un excelente Data Analyst, necesitare de vuestra ayuda, es mi primerisima vez usando platzi, ya que el presidente bukele de El salvador a Dado un año gratis para estudiar y poder actualizarnos. gracias a Todos y leo sus comentarios
Hola Julio como estás. El que estés acá dice mucho de quien eres! Encantado de tenerte por acá.
Una buena guía para estudiar en platzi en base a mi experiencia:
1-Termina siempre los cursos que empieces
2-Sigue las rutas de aprendizajes (en el caso que no puedas aplicarla aún en tu trabajo)
3-Aplica en el momento todo lo que aprendes, de nada servirá terminar un curso si no lo aplicas!
4-Practica constantemente no te quedes solo con la teoría. Los cursos tienen horas de práctica y horas teóricas, ten eso en cuenta
5-Estudia todos los días así sea media hora, es mucho mejor un poco todos los días que mucho de vez en cuando.
6-Usa IA para optimizar tu aprendizaje, usa Notebook Lm para hacer guias de estudio y cuestionarios. Para que puedas retener información más tiempo!
Mucho éxito Julio Ernesto, te irá increible.
Saludos paisano con mas de 4 años de estar en Platzi, solo te pondria recomendar si Data Analyst es lo que deseas enfocate en todas las rutas acorde a eso y terminalas. Suerte y disfruta este nueva aventura que nada ni nadie te detenga. Nos vemos en la cima.
Me gustaría compartir una simulación (realizada en Gemini) para que trabajen su proyecto de este curso (al final vienen códigos de python con la generación de un dataframe):
INFORME EJECUTIVO: Diagnóstico y Estrategia de Retención de Clientes
Fecha: 20 de Abril de 2026
Ubicación: Sede Central, Querétaro, Qro.
Para: Dirección General, SciVirtual Academy
De: Analista de Datos y Negocios
Asunto: Resultados de Análisis de Churn y Plan de Acción Estratégico
1. Resumen Ejecutivo
Tras el análisis de una muestra representativa de 1,000 usuarios activos y cancelados durante los últimos 6 meses, se determinó que la tasa de abandono (churn) actual se sitúa en un 6%. El análisis revela que el problema no radica en la oferta académica de Ciencias Básicas, sino en la fricción técnica inicial y la falta de adopción temprana de los simuladores. A continuación, se detalla el diagnóstico y el plan de acción para mitigar esta fuga de capital.
2. Diagnóstico: ¿Qué está pasando y por qué?
Al cruzar los datos de comportamiento de los estudiantes con las tasas de cancelación, identificamos tres hallazgos críticos:
3. Plan de Acción: Estrategia de Retención
Para revertir esta tendencia y blindar nuestra base de usuarios, se proponen tres iniciativas basadas en los datos:
Iniciativa A: Onboarding Práctico Obligatorio (Corto Plazo)
Iniciativa B: Creación del "Laboratorio Comunitario" (Mediano Plazo)
Iniciativa C: Campaña Automatizada de Upselling (Inmediato)
import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns # Configurar semilla para reproducibilidad np.random.seed(42) # Número de clientes n = 1000 # Generar variables independientes cliente_id = np.arange(1001, 1001 + n) edad = np.random.normal(22, 3, n).astype(int) planes = ['Mensual', 'Semestral', 'Anual'] plan_suscripcion = np.random.choice(planes, n, p=[0.6, 0.3, 0.1]) meses_activo = np.random.randint(1, 24, n) cursos = ['Termodinamica', 'Mecanica', 'Electromagnetismo', 'Optica'] curso_principal = np.random.choice(cursos, n) # Generar variables con relación lógica simulaciones_usadas = np.random.poisson(lam=5, size=n) + (meses_activo // 2) tickets_soporte = np.random.poisson(lam=1.5, size=n) # Calcular probabilidad de churn basada en un modelo oculto # Usuarios con muchos tickets, pocas simulaciones y plan mensual tienen más riesgo prob_churn = ( 0.3 * (plan_suscripcion == 'Mensual') + 0.1 * tickets_soporte - 0.05 * simulaciones_usadas - 0.02 * meses_activo ) # Normalizar probabilidades entre 0.05 y 0.85 prob_churn = np.clip(prob_churn, 0.05, 0.85) # Generar variable objetivo churn = np.random.binomial(1, prob_churn) # Generar calificación (inversamente proporcional al churn y tickets) calificacion_base = 4 - (tickets_soporte * 0.3) - (churn * 1.5) + (simulaciones_usadas * 0.1) calificacion_plataforma = np.clip(np.round(calificacion_base), 1, 5).astype(int) # Crear DataFrame df = pd.DataFrame({ 'cliente_id': cliente_id, 'edad': edad, 'plan_suscripcion': plan_suscripcion, 'meses_activo': meses_activo, 'curso_principal': curso_principal, 'simulaciones_usadas': simulaciones_usadas, 'tickets_soporte': tickets_soporte, 'calificacion_plataforma': calificacion_plataforma, 'churn': churn }) # Guardar a CSV df.to_csv('datos_scivirtual_churn.csv', index=False) print("¡Dataset 'datos_scivirtual_churn.csv' generado con éxito!") # Configurar el estilo de las gráficas para que se vean profesionales sns.set_theme(style="whitegrid") # 1. Cargar los datos df = pd.read_csv('datos_scivirtual_churn.csv') # 2. Vistazo rápido print("--- Primeras 5 filas ---") display(df.head()) print("\n--- Información del Dataset ---") df.info() plt.figure(figsize=(6, 4)) ax = sns.countplot(data=df, x='churn', palette='viridis') plt.title('Distribución de Abandono (Churn)\n0 = Activo | 1 = Abandonó', fontsize=14) plt.xlabel('Estado del Cliente') plt.ylabel('Cantidad de Usuarios') # Añadir los porcentajes sobre las barras total = len(df) for p in ax.patches: percentage = f'{100 * p.get_height() / total:.1f}%' x = p.get_x() + p.get_width() / 2 y = p.get_height() ax.annotate(percentage, (x, y), ha='center', va='bottom') plt.show() # Crear una figura con múltiples subgráficos fig, axes = plt.subplots(2, 2, figsize=(16, 12)) fig.suptitle('Factores de Riesgo vs Abandono de Plataforma', fontsize=18) # 1. Churn por Plan de Suscripción sns.countplot(data=df, x='plan_suscripcion', hue='churn', palette='Set2', ax=axes[0, 0]) axes[0, 0].set_title('Impacto del Tipo de Plan') # 2. Churn por Área de Estudio (Curso Principal) sns.countplot(data=df, x='curso_principal', hue='churn', palette='Set1', ax=axes[0, 1]) axes[0, 1].set_title('Abandono según la Rama de Ciencias') # 3. Tickets de Soporte vs Churn sns.boxplot(data=df, x='churn', y='tickets_soporte', palette='coolwarm', ax=axes[1, 0]) axes[1, 0].set_title('Tickets de Soporte Técnicos (0=Activo, 1=Abandonó)') # 4. Uso de Simulaciones vs Churn sns.boxplot(data=df, x='churn', y='simulaciones_usadas', palette='magma', ax=axes[1, 1]) axes[1, 1].set_title('Uso de Laboratorios Virtuales (0=Activo, 1=Abandonó)') plt.tight_layout() plt.show()
📌Ciencia de Datos para Análisis de Negocios
🔑 Idea central
🌍 Los datos mueven el mundo. ⚡ El desafío: convertirlos en decisiones inteligentes que generen impacto en los negocios.
🚀 ¿Por qué los datos son clave?
📊 Evidencia > Intuición
🔎 Transformar información en ideas accionables
🗣️ Usar storytelling para influir en decisiones
💡 Formular y probar hipótesis con rapidez
🛠️ Camino: de datos a decisiones
1️⃣ Identificar preguntas clave del negocio
2️⃣ Probar hipótesis → generar aprendizajes
3️⃣ Contar historias que persuadan
4️⃣ Enfocar en métricas que cambian resultados
📚 Aprendizaje paso a paso
📖 Fundamentos → ventaja competitiva con datos
🧩 Análisis de negocio → hipótesis + storytelling
🤖 Machine learning → modelos en casos reales
🚀 Despliegue → modelos en producción
🎯 Impacto real → decisiones basadas en evidencia
📝 Caso práctico: Minería de texto
💬 Reseñas de clientes → cientos por semana
🔍 Detección de temas y emociones frecuentes
⚠️ Identificación de quejas recurrentes
📌 Priorizar mejoras con patrones claros
⚡ Escalar análisis en segundos
➡️ Convertir opiniones en estrategias de negocio
Que nota un curso de análisis de datos orientado a la toma de decisiones!
Super listo 🤓
Lsito para tomar este curso :)
El primer video me atrae más la atención que los demás videos
2026! :D
Comencemos , vamos al Game
Es mi primer curso de Ciencia de Datos, espero engancharme en este nuevo mundo!
Me perdió con lo de género y diversidad
Super lista para tomar este curso!
Se ve genial este curso. Los cursos con Frida son excelentes !!!
Saludos Frida 👋
¿Cómo analizar reseñas de clientes rápidamente?
Para procesar grandes volúmenes de opiniones, la minería de texto actúa como un filtro inteligente. En lugar de leer miles de comentarios manualmente, puedes usar herramientas visuales que identifican palabras clave, sentimientos (positivo, negativo, neutral) y tendencias recurrentes. Por ejemplo, si tienes un restaurante y muchos clientes mencionan 'comida fría' o 'servicio lento', estas herramientas agrupan esos términos automáticamente. Esto te permite descubrir el problema raíz en cuestión de segundos y tomar medidas inmediatas, como ajustar los tiempos en la cocina o capacitar al personal. Al final, transformas el ruido de quejas dispersas en un plan de acción claro para mejorar la retención de tus clientes y aumentar la rentabilidad de tu operación diaria.
¿Es posible analizar datos sin saber programar?
Absolutamente. Hoy en día existen plataformas no-code (sin código) y herramientas visuales que democratizan el acceso a la ciencia de datos. En lugar de escribir complejas líneas de código en Python o R, utilizas interfaces intuitivas donde simplemente arrastras y sueltas elementos para conectar bases de datos, limpiar información y generar modelos predictivos. Esto es ideal para perfiles de negocio, gerentes o analistas que necesitan respuestas rápidas para el mercado. Lo más importante no es dominar la sintaxis de un lenguaje de programación, sino saber formular las preguntas correctas al negocio, entender el contexto del problema y aplicar el pensamiento crítico para interpretar los resultados que estas herramientas te entregan para generar impacto real.
¿Cuál es la mejor forma de presentar datos?
La mejor manera es a través del storytelling con datos. No basta con mostrar un gráfico de barras o una hoja de cálculo llena de números; necesitas contar una historia persuasiva y estructurada. Esto significa armar tu presentación con un inicio (el contexto o problema del negocio), un desarrollo (los hallazgos clave o insights que descubriste) y un desenlace (la recomendación estratégica a seguir). Utiliza visualizaciones limpias, resalta solo la información crítica y conecta cada métrica con un impacto real, como el aumento de ingresos o la reducción de costos operativos. Cuando traduces los datos a un lenguaje que los tomadores de decisiones entienden fácilmente, logras que la evidencia técnica se convierta en acción inmediata.
