Ciencia de Datos aplicada a Logística

- Importancia del análisis de datos
- Fuentes de datos en logística
- Variables relevantes para la analítica de datos
- Herramientas de análisis de datos y estadística
- Los pilares de machine learning

- Internet de las cosas (IoT)
- Big data
- Cloud computing
- Inteligencia artificial
- Blockchain
- LPWAN
- Etiquetado inteligente - RFID
- Almacenes automatizados

- Cultura data driven
- Habilidades y perfiles para desarrollar la cultura data driven
- Implicancias del gobierno de datos

- Fundamentos ETL (extracción, transformación y carga de datos)
- Definición de objetivos, metas y métricas del negocio
- Identificación de fuentes de datos
- Extracción/importación de datos
- Selección y depuración primaria de datos

- Introducción a las herramientas de análisis estadístico
- Clasificación de datos filtrados
- Reconocimiento de patrones y correlaciones
- Agrupamiento de datos en clústeres
- Análisis descriptivo
- Análisis predictivo
- Método ACP: Análisis de Componentes Principales.
- Organización de la data resultante para su visualización en Power BI

- Entorno de Power BI
- Importación y carga de datos
- Limpieza y normalización de los datos
- Modelamiento de datos para visualización
- Dashboards e indicadores clave (KPI) del proceso logístico
- Automatización de reportes
- Gestión final de la información

- Aplicación de técnicas y herramientas de analítica de datos en casos reales de logística