MODULOS TEMATICOS y BIBLIOGRAFIA

Unidad 1: Evolución de las tecnologías de manejo de datos y la ciencia de datos

Video motivador: https://youtu.be/whkASFSMtks

a.  Aceleración Tecnológica

b. Causalidad y descubrimiento

c. Curva "Gartner’s Hype"

d. Does IT matter?

e. ¿Qué es la ciencia de datos?

f. ¿Qué es y que no es Big Data?

Bibliografía:

• Badii, M. H., Pazhakh, A. R., Quintero, J. L. A., & Foroughbakhch, R. (2017). Fundamentos del método científico. Innovaciones de negocios, 1(1).

• Bednarz, A. (14 May, 2013) Q&A: Nick Carr on 10th anniversary of 'IT Doesn't Matter'. Network World. https://www.cio.com/article/2385864/nick-carr-s--it-doesn-t-matter--still-matters.html

• Carr, N. (2003, May). IT doesn’t matter. Harvard Business Review, Retrieved from https://hbr.org/2003/05/it-doesnt-matter

• Cock Gómez, G. Big data en las empresas: una nueva era de la información.

• Jimenez-Barrera, Y. (2018). Aproximación crítica a las principales teorías sobre el cambio tecnológico. Problemas del desarrollo, 49(193), 171-192.

• McFarlan, W. And Nolan, R. (2003, Jun). Does IT matter? An HBR Debate. Harvard Business Review. Retrieved from http://www.johnseelybrown.com/Web_Letters.pdf

• Mullany, M. (7 de diciembre 2016). 8 Lessons from 20 Years of Hype Cycles. https://www.perchingtree.com/8-lessons-from-20-years-hype-cycles/ Icon Ventures.

• Myler, L. (2013, Feb). Technology SHOULD Give You A Strategic Advantage. Forbes. Retrieved from http://www.forbes.com/sites/larrymyler/2013/02/11/technology-should-give-you-a-strategic-advantage/

Unidad 2: Evaluando proyectos

a. Puesta en común del ejercicio 1:

b. Límites de las organizaciones para implementar proyectos:

Bibliografía:

• Aponte, R., Muñoz, F., & Álzate, L. (2017). La evaluación financiera de proyectos y su aporte en la generación de valor corporativo. Ciencia y Poder Aéreo, 12(1), 144-155.

• Luchetti, Pablo Alberto, Trabajo final de maestría, Análisis de factibilidad financiera, social y técnica de un proyecto de inversión de una planta geotérmica de 30 MW en Copahue, Neuquén, Argentina http://bibliotecadigital.econ.uba.ar/download/tpos/1502-0589_LuchettiPA.pdf Consultado 18/06/2020

• Torres-Navarro, Carlos, Callegari-Malta, Nelson. Criterios para cuantificar costs y beneficios en proyectos de mejora de calidad. Ingeniería Industrial, versión on-line ISSN 1815-5936 vol 37 no 2 La Habana mayo-agosto 2016.

http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1815-59362016000200005 consultado 18/06/2020

Unidad 3: ¿Por qué la predicción es tan difícil?

a. Puesta en común del ejercicio 2:

b.¿Cómo funciona la predicción en las ciencias naturales?

c. Limitaciones a las predicciones en las ciencias naturale

d.  Evolución humana y predicción

e. Entornos de predicción: “Mediocristan” vs. “Extremistan”

Bibliografía:

• Porta, M. (2015). ¿Será verdad? Sobre causalidad, confusiones y sesgos. Y sobre prisas, prejuicios y otras querencias. Quaderns de la Fundació Dr. Antoni Esteve, (32), 23-31.

• Peter H. (2015). «Kurtosis as Peakedness, 1905 – 2014. R.I.P.». The American Statistician 68 (3): 191-195. Consultado el 13 de febrero de 2018.

• Nassim Taleb (2015). " Silencio Riesgo Sección 16.1 Pago La asimetría y la falta de piel-en-el-juego" . pag. 295 . Consultado el 25 de de marzo de 2017.

•  "Proyecto versión de '' papel" sangrar o Explosión? (PDF):           

http://www.fooledbyrandomness.com/bleedblowup.pdf

Unidad  4: Sesgos en la percepción humana

a. Puesta en común del ejercicio 3

b. Sistema 1 vs. sistema 2

c. El yo que experimenta vs el yo que recuerda

d. Priming y anchoring

e. Promedios vs. sumas 

f. Pérdidas vs Ganancias

Bibliografía:

•  Kahneman, D. (2012). Pensar rápido, pensar despacio. Debate.

•  Marquez, Emilio, Proyecta LiveBrand Blog, Sesgos Cognitivos. ¿Existen en la publicidad?

https://proyectalivebrand.com/wordpress/2017/04/03/sesgos-cognitivos-existen-en-la-publicidad/

Unidad 5: Toma de decisiones bajo condiciones de incertidumbre

a. Puesta en común del ejercicio 4:

b. La aproximación clásica: impacto y probabilidad

c. Limites del modelo clásico  (Extremistan)

d. Cisnes Negros positivos y negativos

e. Búsqueda de beneficios escalables

f.  Dos clases de errores

Bibliografía:

• De Alba, U. N. (2009). El cisne negro en economía: la ruta fractal de la crisis económica. Pensar como un economista, 205.

• Mendoza, O. G. (2018). El cisne negro: el impacto de lo altamente improbable. Revista Escuela de Administración de Negocios, (83), 193-199.

•  Miramontes, P. (1998). Predecir el clima es una cosa, predecirlo correctamente es otra. Ciencias, (051).

Unidad  6: Midiendo el impacto de proyectos de Ciencia de Datos y Big Data I

a. Puesta en común del ejercicio 5

b. Nivel de madurez organizacional en Ciencia de Datos

c. Nivel de madurez organizacional para la gestión de proyectos

d. Antecedentes organizacionales en la gestión de la innovación

Bibliografía:

• Arteaga, M. E., & Castro, M. R. P. (2018). Uso de Buenas Prácticas en la Gestión de Proyectos de TI. INNOVA Research Journal, 3(2), 49-59.

• Diez, J. M., & Ruiz, C. D. P. (2018). Aproximación conceptual al modelo de madurez en gestión de proyectos (OPM3). Ingenio Magno, 9(1), 24-41.

Unidad 7: Midiendo el impacto de proyectos de Ciencia de Datos y Big Data II

a. Puesta en común del ejercicio 6

b. Antecedentes del equipo de ciencia de datos

c. Antecedentes de cada miembro del equipo de ciencia de datos

d. Antecedentes del equipo gerencial

e. Claridad de los objetivos propuestos

Bibliografía:

• Cubides, J. F. H., García, P. A. G., & Alonso, S. S. (2018). Linked Data: qué sucede con la heterogeneidad y la interoperabilidad. Scientia et Technica, 23(2), 230-240.

• Oliva, R., Carvajal, K., & Cataldo, A. (2018). Impacto de TI en las pequeñas y medianas empresas ¿es su efecto moderado por la intensidad de uso de TI de la industria? Journal of technology management & innovation, 13(2), 82-93.

Unidad 8: Midiendo el impacto de proyectos de Ciencia de Datos y Big Data III

a. Puesta en común del ejercicio 7

b.Calidad de los datos disponibles

c. Evaluación del cronograma propuesto

d. Evaluación del presupuesto propuesto:

Bibliografía:

• Serra, F. (2016). Evaluación de la Calidad de Datos en un Sistema de Data Warehousing: Un enfoque basado en Contextos (Doctoral dissertation, Tesis de Maestría en Informática, PEDECIBA. Facultad de Ingenierıa. UdelaR).

Unidad 9: Midiendo el impacto de proyectos de Ciencia de Datos y Big Data IV

a. Puesta en común del ejercicio 8:

 b. Evaluación los beneficios propuestos:

c. Evaluación de la exposición a cisnes negros positivos o negativos