80% OFF en todos los cursos Asíncronos Hasta el 16 de Febrero

🟢MÓDULO I: ENTORNO ANALÍTICO Y CONECTIVIDAD CON SQL SERVER 2025 (3 horas)

1. 20% Teoría: Arquitectura de un flujo de análisis de datos corporativo. Configuración del entorno de trabajo con Jupyter Notebook y VS Code. Introducción a las librerías pyodbc y SQLAlchemy, cadenas de conexión y principios de conectividad entre Python y SQL Server 2025.
2. 80% Práctica: Configuración del entorno y conexión de Python con SQL Server. Extracción de información desde tablas transaccionales de un caso empresarial de Retail/E-commerce, utilizando tablas de clientes, productos, ventas y detalle de ventas. Exploración inicial de los datos extraídos y generación de un primer dataset analítico.
3. Recurso práctico: Base de datos SQL Server Retail Analytics, con tablas clientes, productos, ventas, detalle_ventas y tiendas.
4. Producto de la sesión: Notebook de conexión y extracción de datos desde SQL Server.

🟢MÓDULO II: TIPOS DE DATOS Y ESTRUCTURAS DE CONTROL PARA AUDITORÍA (3 horas)

1. 20% Teoría: Tipos de datos fundamentales de Python (int, float, str, bool) y estructuras nativas como listas y tuplas. Estructuras condicionales if, elif y else aplicadas a reglas de validación y control de calidad de datos.
2. 80% Práctica: Desarrollo de un laboratorio de auditoría de datos utilizando información de clientes. Validación de campos como DNI, edad, correo electrónico, teléfono y datos obligatorios. Clasificación automática de registros como válidos, inválidos o pendientes de revisión.
3. Recurso práctico: Dataset clientes_auditoria.csv, que contiene valores nulos, formatos incorrectos, edades inválidas, correos electrónicos incompletos y teléfonos inconsistentes.
4. Producto de la sesión: Script de auditoría automática de calidad de datos.

🟢MÓDULO III: DICCIONARIOS Y MAPEO DE REGLAS DE NEGOCIO (3 horas)

1. 20% Teoría: Estructura y funcionamiento de diccionarios. Relaciones llave-valor y aplicación de estructuras de mapeo para la estandarización de catálogos y dimensiones empresariales.
2. 80% Práctica: Construcción de diccionarios de conversión para normalizar categorías, ciudades, tipos de clientes y otros atributos provenientes de diferentes fuentes. Implementación de reglas de negocio para homologar valores heterogéneos.
3. Recurso práctico: Dataset catalogo_productos.csv con categorías inconsistentes como TEC, Tecnologia, TECNOLOGIA, Tecnología, entre otras.
4. Producto de la sesión: Diccionario de homologación y script de normalización de
   catálogos.
5. 📝 HITO DE EVALUACIÓN (Asíncrono): Al finalizar esta sesión se libera el Examen Parcial I: Fundamentos e Ingesta de Datos. El participante deberá conectarse a una fuente de datos, realizar validaciones de calidad mediante estructuras de control y aplicar reglas de normalización utilizando colecciones y diccionarios.

🟢MÓDULO IV: AUTOMATIZACIÓN DE LECTURA MASIVA CON BUCLES (3 horas)

1. 20% Teoría: Iteraciones con for y while, recorrido de estructuras de datos, funciones range() y enumerate(). Introducción a List Comprehensions y criterios básicos para escribir código eficiente y reutilizable.
2. 80% Práctica: Desarrollo de un proceso automatizado para leer y consolidar múltiples archivos históricos de ventas. El participante deberá recorrer una carpeta con archivos mensuales, identificar los archivos disponibles, procesarlos y generar un único dataset consolidado.
3. Recurso práctico: Conjunto de archivos ventas_enero.csv hasta ventas_diciembre.csv.
4. Producto de la sesión: Script de consolidación automática de archivos históricos de ventas.

🟢MÓDULO V: MODULARIZACIÓN: CREACIÓN DE FUNCIONES DE LIMPIEZA REUTILIZABLES (3 horas)

1. 20% Teoría: Definición de funciones mediante def, parámetros, valores de retorno y expresiones lambda. Principios de modularización, reutilización y organización del código aplicado al análisis de datos.
2. 80% Práctica: Desarrollo de una biblioteca propia denominada limpieza_corporativa.py, incorporando funciones para limpiar textos, normalizar categorías, validar correos, transformar fechas, limpiar teléfonos y estandarizar valores numéricos.
3. Recurso práctico: Dataset empresarial de clientes y productos con errores de formato y contenido.
4. Producto de la sesión: Biblioteca reutilizable de funciones de limpieza y notebook de pruebas.

🟢MÓDULO VI: PROGRAMACIÓN ORIENTADA A OBJETOS APLICADA A CONECTORES (3 horas)

1. 20% Teoría: Conceptos fundamentales de Programación Orientada a Objetos: clases, objetos, atributos, métodos, constructor y encapsulamiento. Aplicación de POO al desarrollo de componentes reutilizables para análisis de datos.
2. 80% Práctica: Diseño, implementación y prueba de una clase personalizada SQLConnector para establecer conexiones, ejecutar consultas, extraer tablas y gestionar de forma estructurada las conexiones con SQL Server.
3. Recurso práctico: Base de datos Retail Analytics utilizada durante el Nivel I.
4. Producto de la sesión: Módulo Python de conexión reutilizable y documentación básica de uso.
5. 📝 HITO DE EVALUACIÓN (Asíncrono): Al finalizar esta sesión se libera el Examen Final I: Desarrollo de Módulos de Ingesta. El participante deberá entregar un script estructurado y modularizado que permita realizar la extracción automatizada desde SQL Server utilizando funciones y Programación Orientada a Objetos.

🟢MÓDULO VII: INTRODUCCIÓN A SERIES Y DATAFRAMES CON PANDAS (3 horas)

1. 20% Teoría: Arquitectura de Pandas, Series y DataFrames. Tipos de datos (dtypes), indexación y selección de información mediante loc e iloc. Exploración y diagnóstico inicial de datasets.
2. 80% Práctica: Ingesta y exploración de un dataset transaccional de gran volumen. Análisis de estructura, dimensiones, tipos de datos, estadísticas descriptivas y optimización básica del consumo de memoria.
3. Recurso práctico: Dataset ventas_2023_2026.csv, con cientos de miles o millones de registros transaccionales.
4. Producto de la sesión: Notebook de Exploratory Data Analysis (EDA) inicial y diagnóstico del dataset.

🟢MÓDULO VIII: TRATAMIENTO DE DATOS PERDIDOS, DUPLICADOS E INCONSISTENCIAS (3 horas)

1. 20% Teoría: Diagnóstico de calidad de datos mediante valores nulos, duplicados e inconsistencias. Estrategias de eliminación, reemplazo e imputación de valores faltantes. Criterios para decidir cuándo conservar, corregir o eliminar información.
2. 80% Práctica: Construcción de un pipeline de limpieza sobre un dataset empresarial deliberadamente corrupto. Identificación y tratamiento de valores NaN, registros duplicados, formatos inconsistentes, categorías incorrectas y valores inválidos.
3. Recurso práctico: Dataset ventas_raw_corrupto.csv.
4. Producto de la sesión: Dataset limpio y pipeline reproducible de Data Quality.

🟢MÓDULO IX: MANIPULACIÓN DE STRINGS Y ANÁLISIS DE SERIES TEMPORALES (3 horas)

1. 20% Teoría: Métodos vectorizados de texto mediante .str y tratamiento de fechas mediante datetime. Extracción de año, mes, trimestre, semana y día de la semana. Fundamentos de análisis temporal, tendencia y estacionalidad.
2. 80% Práctica: Limpieza y transformación de campos textuales y fechas. Construcción de variables temporales y análisis de comportamiento de las ventas por períodos. Cálculo de KPIs como ventas mensuales, ticket promedio y crecimiento temporal.
3. Recurso práctico: Dataset de ventas históricas 2023–2026.
4. Caso de estudio: ¿Cuándo vende más la empresa? Identificación de períodos de mayor demanda y comportamiento estacional.
5. Producto de la sesión: Informe de análisis temporal y KPIs de negocio.
6. 📝 HITO DE EVALUACIÓN (Asíncrono): Al finalizar esta sesión se libera el Examen Parcial II: Data Cleaning Avanzado. El participante deberá recibir un dataset con errores de texto, fechas y valores nulos y desarrollar un pipeline de Pandas que permita obtener un dataset validado y listo para análisis.

🟢MÓDULO X: FUSIONES, CRUCES Y COMBINACIÓN DE FUENTES (MERGES & JOINS) (3 horas)

1. 20% Teoría: Lógica de conjuntos aplicada a DataFrames. Relaciones entre tablas y tipos
   de uniones inner, left, right y outer. Conciliación y validación de información procedente de diferentes fuentes.
2. 80% Práctica: Integración de información de ventas proveniente de SQL Server con metas comerciales almacenadas en Excel y catálogos externos en CSV. Construcción de un dataset maestro mediante merge(), concat() y validación de relaciones.
3. Recurso práctico: Base SQL Server + metas_vendedores.xlsx + catalogo_productos.csv.
4. Caso de estudio: Conciliación de ventas reales versus metas comerciales.
5. Producto de la sesión: Dataset maestro integrado y validado.

🟢MÓDULO XI: AGREGACIONES AVANZADAS Y MATRICES PIVOTADAS (3 horas)

1. 20% Teoría: Agrupamientos mediante groupby(), agregaciones múltiples con .agg() y construcción de tablas dinámicas mediante pivot_table(). Diseño de indicadores y reportes resumen orientados a la toma de decisiones.
2. 80% Práctica: Construcción de un cubo analítico comercial a partir del dataset maestro. Cálculo de ventas, costos, margen, margen porcentual, ticket promedio, unidades vendidas y ventas acumuladas por diferentes dimensiones.
3. Recurso práctico: dataset_maestro.csv generado en la sesión anterior.
4. Caso de estudio: Análisis de desempeño comercial por región, categoría, tienda y producto.
5. Producto de la sesión: Reporte analítico multidimensional construido con Pandas.

🟢MÓDULO XII: ESTADÍSTICA ANALÍTICA PARA NEGOCIOS Y DETECCIÓN DE OUTLIERS (3 horas)

1. 20% Teoría: Medidas de tendencia central y dispersión. Media, mediana, percentiles, cuartiles y Rango Intercuartílico (IQR). Identificación e interpretación de valores atípicos desde una perspectiva de negocio.
2. 80% Práctica: Desarrollo de un sistema básico de detección de transacciones atípicas. Identificación de operaciones sospechosas según monto, comportamiento y distribución estadística. Clasificación de registros como normales o atípicos y generación de alertas.
3. Recurso práctico: Dataset transacciones.csv con información de clientes, fechas, montos, ciudades, canales y tipos de pago.
4. Caso de estudio: Detección de transacciones comerciales atípicas.
5. Producto de la sesión: Script de detección de anomalías y dataset analítico validado.
6. 📝 HITO DE EVALUACIÓN (Asíncrono): Al finalizar esta sesión se libera el Examen Final II: Consolidación y Modelado Analítico. El participante deberá integrar múltiples fuentes, realizar limpieza y transformación, generar variables agregadas, detectar anomalías y entregar un Dataset Maestro Analítico listo para visualización.

🟢MÓDULO XIII: VISUALIZACIÓN ANALÍTICA EN PYTHON CON MATPLOTLIB y SEABORN (3 horas)

1. 20% Teoría: Principios de visualización y storytelling con datos. Selección del gráfico adecuado según la pregunta analítica. Personalización de gráficos estadísticos y criterios para construir visualizaciones orientadas a usuarios ejecutivos.
2. 80% Práctica: Desarrollo de un informe visual a partir del Dataset Maestro. Construcción de gráficos de distribución, histogramas, boxplots, mapas de calor, series temporales y comparaciones de desempeño por categorías y regiones. ◦ Recurso práctico: dataset_maestro.csv desarrollado durante el Nivel II.
3. Caso de estudio: Informe Ejecutivo de Ventas y Rentabilidad.
4. Producto de la sesión: Reporte analítico visual desarrollado completamente en Python.

🟢MÓDULO XIV: INTEGRACIÓN AVANZADA: PYTHON COMO MOTOR DE DATOS EN POWER BI (3 horas)

1. 20% Teoría: Arquitectura híbrida Python–Power BI. Responsabilidades de Python como motor de extracción y transformación y de Power BI como plataforma de modelado y visualización interactiva. Flujo de datos entre ambos entornos.
2. 80% Práctica: Configuración de Power BI Desktop para utilizar un pipeline de Python/Pandas. Importación del Dataset Maestro, construcción del modelo de datos y desarrollo de un dashboard comercial con filtros, segmentadores, KPIs y visualizaciones interactivas.
3. Recurso práctico: Dataset Maestro generado en el Nivel II.
4. Caso de estudio: Dashboard Ejecutivo de Gestión Comercial.
5. Producto de la sesión: Archivo .pbix con dashboard funcional integrado con Python.

🟢MÓDULO XV: OPTIMIZACIÓN CON DAX AVANZADO PARA ANALISTAS SENIOR (3 horas)

1. 20% Teoría: Modelo de datos en estrella, tablas de hechos y dimensiones, relaciones y contexto de evaluación. Introducción a medidas DAX y funciones de inteligencia temporal como CALCULATE() y SAMEPERIODLASTYEAR().
2. 80% Práctica: Desarrollo de medidas DAX para analizar ventas, margen, variaciones interanuales, crecimiento porcentual, acumulados y comparación con períodos anteriores. Optimización del dashboard desarrollado en la sesión anterior.
3. Recurso práctico: Modelo Power BI del caso Retail Analytics.
4. Caso de estudio: Análisis interanual del desempeño comercial.
5. Producto de la sesión: Dashboard ejecutivo con medidas DAX avanzadas.
6. 📝 HITO DE EVALUACIÓN (Asíncrono): Al finalizar esta sesión se libera el Examen Parcial III: Ecosistema Visual Híbrido. El participante deberá entregar el archivo de Power BI integrado con Python, el modelo de datos y un conjunto de medidas DAX que respondan a un escenario empresarial específico.

🟢MÓDULO XVI: AUTOMATIZACIÓN DE PIPELINES ETL ROBUSTOS (END-TO-END) (3 horas)

1. 20% Teoría: Principios de diseño de pipelines ETL robustos y mantenibles. Manejo de
   errores y excepciones mediante try-except, validación de datos, generación de logs y organización modular de proyectos de datos.
2. 80% Práctica: Consolidación de los desarrollos de los niveles anteriores en un pipeline ETL completo. Implementación de las etapas Extract, Validate, Transform y Load. Desarrollo de un archivo pipeline_maestro.py que permita ejecutar el proceso completo de forma controlada y generar logs de auditoría.
3. Recurso práctico: Base SQL Server + Dataset Maestro + Dashboard Power BI.
4. Caso de estudio: Automatización de la generación del reporte comercial.
5. Producto de la sesión: Pipeline ETL modular pipeline_maestro.py, configuración y sistema de logs.

🟢MÓDULO XVII: ORQUESTACIÓN Y PROGRAMACIÓN DE TAREAS AUTOMÁTICAS (ZERO-TOUCH) (3 horas)

1. 20% Teoría: Conceptos de ejecución desatendida y orquestación básica de procesos de datos. Configuración de tareas programadas mediante Windows Task Scheduler y Cron Jobs en Linux. Gestión de rutas, ejecución de scripts y registros de actividad.
2. 80% Práctica: Configuración de un proceso automático de extracción de información desde SQL Server, ejecución del pipeline de limpieza y transformación, actualización del Dataset Maestro y generación de los archivos necesarios para el reporte. Implementación de logs para comprobar las ejecuciones.
3. Recurso práctico: Pipeline ETL desarrollado en la sesión 16 y entorno Windows/Linux.
4. Caso de estudio: Actualización automática del reporte comercial fuera del horario laboral.
5. Producto de la sesión: Pipeline ejecutándose de forma programada y desatendida.

🟢MÓDULO XVIII: SUSTENTACIÓN DEL PROYECTO DE AUTOMATIZACIÓN FINAL (3 horas)

1. 20% Teoría: Defensa técnica de arquitecturas de datos. Explicación de las decisiones de diseño, calidad y transformación de datos, arquitectura ETL, mecanismos de control de errores y criterios utilizados para automatizar el proceso. Cuantificación de la eficiencia obtenida en tiempos de procesamiento y reducción de horas-hombre asociadas a reportes manuales.
2. 80% Práctica: Presentación ejecutiva en vivo del proyecto final. Demostración del flujo completo desde la extracción de datos hasta la transformación, generación del dataset, actualización del entorno analítico y visualización en Power BI. Ejecución del pipeline de extremo a extremo y presentación de resultados, métricas y evidencias de automatización. Feedback técnico sobre arquitectura, calidad de código, eficiencia y escalabilidad.
3. Caso de estudio: Automatización End-to-End del proceso de análisis y reporte comercial.
4. Producto final: Solución completa de Data Analytics automatizada.
5. 📝 HITO DE EVALUACIÓN (Asíncrono): Al finalizar la sesión se habilita la entrega formal en la plataforma del Examen Final III: Repositorio ETL y Orquestación Desatendida, que incluye el código Python empaquetado, módulos de extracción y transformación, configuración del pipeline, logs generados durante pruebas reales, documentación técnica, evidencias de ejecución automatizada y el Dashboard de Power BI completamente integrado y automatizado.