De la inquietud a la pregunta
Una frase como «queremos vender más» no define todavía un problema analítico. Se necesita una unidad de análisis, una población, un horizonte, una decisión y una métrica de éxito.
Módulo 00 · Unidad I
Orientación, Python y flujo de trabajo
Del problema ambiguo al experimento reproducible: entorno, notebooks, datos, código y evidencia.
Dedicación2 encuentros más práctica asincrónica
RequisitosNinguno
Centro del módulo
Índice interactivo
Abrí cada recurso y marcá el avance. El estado se conserva en tu navegador.
| Recurso | Acceso |
|---|---|
| Guía del módulo | Abrir recurso |
| Simulación interactiva | Abrir recurso |
| Cuestionario | Abrir recurso |
| Glosario | Abrir recurso |
| Notebook en Colab | Abrir recurso |
Al completar el módulo
Resultados de aprendizaje
- Traducir una necesidad de negocio a una pregunta analítica verificable.
- Usar notebooks sin perder trazabilidad entre narrativa, código y resultados.
- Manipular estructuras básicas de Python, NumPy y pandas.
- Organizar un proyecto reproducible con datos, código, documentación y Git.
Marco conceptual
Ideas que organizan la práctica
Notebook como argumento
Un notebook útil intercala propósito, supuestos, código, resultados y conclusión. El orden de ejecución debe ser lineal y cada salida tiene que poder regenerarse.
Ecosistema mínimo
Python aporta el lenguaje; NumPy, cálculo vectorizado; pandas, datos tabulares; Matplotlib y Seaborn, comunicación visual; scikit-learn, una interfaz coherente para modelar.
Reproducibilidad práctica
Semillas aleatorias, dependencias explícitas, rutas relativas, diccionario de datos y control de versiones convierten un resultado aislado en un activo reutilizable.
Nivel profesional
Profundización aplicada
Estos temas conectan el fundamento con decisiones modernas, evaluación rigurosa y operación real.
Contratos de datos y pruebas ejecutables para entradas, tipos y rangos.
Entornos reproducibles, semillas, configuración y trazabilidad de artefactos.
Git como registro de decisiones: ramas, revisiones y cambios pequeños verificables.
Control de calidad
Errores frecuentes que invalidan la conclusión
- Confundir una pregunta amplia con una decisión operable.
- Depender del orden manual de celdas o de archivos locales no documentados.
- Publicar resultados sin registrar versiones, supuestos ni responsables.
Caso de negocio
Decidir con contexto
Una gerencia solicita identificar clientes con riesgo de abandono. Antes de modelar, el equipo debe fijar qué significa abandonar, cuál es la ventana de observación y qué acción se tomará con el resultado.
Explorar en la simulaciónPráctica guiada
Secuencia de laboratorio
- 01Abrir el notebook en Colab o Jupyter y ejecutar todo desde cero.
- 02Crear una tabla pequeña con listas, diccionarios y un DataFrame.
- 03Validar tipos, dimensiones y valores únicos.
- 04Documentar una pregunta de negocio y el criterio de éxito.
Desafío de transferencia
Tomar una decisión defendible
Convertí una solicitud ambigua de dirección en un contrato analítico que otra persona pueda ejecutar y auditar.
- Escribí una hipótesis antes de calcular.
- Definí la evidencia que podría refutarla.
- Compará al menos dos escenarios.
- Terminá con acción, límite y responsable.
Producto del módulo
Entregable esperado
Notebook ejecutable con pregunta, unidad de análisis, métrica, diccionario mínimo y una primera tabla de control.