Ciencia de Datos: Proyectos Reales — Estándar (60h · $197)

Operador: ITSEIA ACADEMY S.A.S. (RUC 1793233739001)

Coordinador: Héctor Bolívar Velasco Álvarez

Modalidad: Virtual · Área MDT: 06

Estructura: 6 módulos × 5 temas × 2h = 60h

---

Para quién es (perfiles SENIOR)

Analistas, administradores de empresas, contadores y profesionales con Python básico que quieren construir un perfil sólido de Data Scientist junior-senior en Ecuador. Orientado a quienes necesitan combinar programación, matemáticas aplicadas, estadística inferencial y herramientas de BI en proyectos reales documentados que abran puertas a roles de $1,200–$2,000/mes en el mercado ecuatoriano.

Perfiles típicos:

• Analistas de datos o financieros que quieren automatizar con Python y publicar en Power BI
• Administradores que quieren liderar proyectos de analítica en su organización
• Profesionales del sector público (SRI, BCE, INEC) que trabajan con datos
• Emprendedores que quieren tomar decisiones basadas en datos en sus negocios

---

Objetivo general

Consolidar competencias intermedias-avanzadas de Python para datos, matemáticas aplicadas al aprendizaje automático, estadística inferencial rigurosa y herramientas de BI profesionales — ejecutando 3 pipelines reales del contexto ecuatoriano (sector tributario, agrícola y macroeconómico) que demuestren capacidad de entrega para roles de Data Scientist o analista de BI senior en Ecuador 2026.

---

Módulos y temas

Módulo 1: Python avanzado para ciencia de datos (10h)

#	Tema	Horas	Aprenderás
1.1	Programación funcional completa y generators	2h	Dominar map, filter, reduce, lambda, comprehensions de listas/dicts/sets y generators para procesamiento eficiente de datos
1.2	Pandas avanzado: merge, groupby, pivot_table y transform	2h	Combinar DataFrames con todos los tipos de join, agrupar con agg múltiple, crear pivot tables y aplicar transform
1.3	APIs REST con Requests: paginación, autenticación y manejo de errores	2h	Consumir APIs del BCE y SRI con autenticación Bearer, manejar paginación, reintentos y errores HTTP con logging
1.4	Formatos de datos avanzados: Parquet, XML y virtual environments	2h	Leer y escribir Parquet y XML, gestionar entornos virtuales con venv y pip, documentar dependencias en requirements.txt
1.5	PEP 8, buenas prácticas y flujo colaborativo en GitHub	2h	Aplicar PEP 8 con flake8, gestionar ramas en GitHub, escribir PRs descriptivos y crear commits semánticos

Módulo 2: Matemáticas aplicadas al Machine Learning (10h)

#	Tema	Horas	Aprenderás
2.1	Derivadas parciales y cálculo integral aplicado con SymPy	2h	Calcular derivadas parciales y gradientes con SymPy, interpretar integrales definidas como área bajo la curva de probabilidad
2.2	Gradiente descendente: implementación desde cero con visualización	2h	Implementar gradiente descendente batch con Python, visualizar convergencia en superficie 3D con Matplotlib
2.3	SGD y Adam conceptual: por qué el mini-batch acelera el aprendizaje	2h	Comparar batch vs. mini-batch vs. SGD, entender momentum y Adam conceptual, implementar SGD simple
2.4	Funciones de costo MSE y cross-entropy: derivación e implementación	2h	Derivar e implementar MSE y cross-entropy desde cero, conectar con la función de pérdida de regresión y clasificación
2.5	Optimización: funciones convexas/cóncavas y mínimos globales	2h	Identificar funciones convexas y cóncavas, entender condiciones de optimalidad, visualizar superficies de error con Plotly

Módulo 3: Estadística Inferencial para Data Scientists (10h)

#	Tema	Horas	Aprenderás
3.1	Estadística descriptiva avanzada: asimetría, curtosis y outliers	2h	Calcular asimetría y curtosis, detectar outliers con IQR y z-score, interpretar boxplots y distribuciones empresariales
3.2	Intervalos de confianza al 90/95/99% para métricas de negocio	2h	Calcular intervalos de confianza con SciPy y bootstrap, aplicar a decisiones gerenciales sobre diferencia de medias
3.3	Pruebas de hipótesis completas: t-test, ANOVA y chi-cuadrado	2h	Ejecutar t-test de una y dos muestras, ANOVA de una vía, chi-cuadrado de independencia; verificar supuestos con Shapiro-Wilk
3.4	Potencia estadística, tamaño de efecto y correlaciones	2h	Calcular potencia con Cohen's d, interpretar correlaciones Pearson y Spearman, evitar el error de interpretación del p-valor
3.5	Regresión lineal simple y múltiple como herramienta analítica	2h	Ajustar regresión lineal con Statsmodels, interpretar coeficientes, diagnósticos de residuos y comunicar a audiencias no técnicas

Módulo 4: Bases de datos + Excel avanzado + Power BI (10h)

#	Tema	Horas	Aprenderás
4.1	SQL intermedio: JOINs múltiples, subconsultas y funciones de ventana	2h	Dominar INNER/LEFT/RIGHT JOIN, subconsultas correlacionadas, ROW_NUMBER, RANK, LAG/LEAD para análisis temporal
4.2	CTEs y PostgreSQL con DBeaver: consultas legibles y optimización	2h	Escribir CTEs para simplificar consultas complejas, optimizar con índices en PostgreSQL, gestionar con DBeaver
4.3	Excel avanzado + Power Query para ETL de múltiples fuentes	2h	Dominar tablas dinámicas avanzadas, INDEX-MATCH, SUMIFS, Power Query para conectar y transformar múltiples fuentes
4.4	Power BI: modelo estrella, medidas DAX y dashboards interactivos	2h	Construir modelo de datos estrella, escribir medidas DAX (CALCULATE, FILTER, ALL, RANKX, DATESINPERIOD), crear dashboards
4.5	Power BI Service: publicación, permisos y actualización programada	2h	Publicar dashboards en Power BI Service, configurar permisos por rol, programar actualizaciones automáticas

Módulo 5: Proyecto 1 y 2 — Pipelines Ecuador (10h)

#	Tema	Horas	Aprenderás
5.1	Pipeline 1: API del BCE → Pandas → gradiente descendente → Power BI	2h	Consumir API pública del BCE, limpiar indicadores macroeconómicos, proyectar tendencias con gradiente descendente
5.2	Dashboard macroeconómico con 8+ KPIs y modelo estrella	2h	Construir modelo estrella en Power BI, escribir medidas DAX complejas, publicar dashboard con análisis YoY del BCE
5.3	Pipeline 2: datos públicos del SRI → estadística inferencial → PostgreSQL	2h	Descargar y limpiar datos de recaudación tributaria del SRI, ejecutar ANOVA entre regiones, poblar PostgreSQL
5.4	Análisis tributario: hipótesis sobre diferencias regionales con p-valor	2h	Formular y probar hipótesis sobre diferencias de recaudación entre provincias y sectores económicos ecuatorianos
5.5	Dashboard Power BI SRI: drill-down por provincia y funciones de ventana	2h	Construir dashboard con drill-down por provincia/cantón/sector, medidas DAX con funciones de tiempo

Módulo 6: Proyecto 3 — Pipeline agrícola + portafolio GitHub (10h)

#	Tema	Horas	Aprenderás
6.1	ETL completo: datos del MAGAP y BanEcuador	2h	Extraer y limpiar datos públicos de producción agrícola y crédito rural con Pandas; análisis exploratorio
6.2	ANOVA por cultivo y región: análisis estadístico riguroso	2h	Ejecutar ANOVA de una vía sobre rendimientos por cultivo y región, verificar supuestos y documentar con p-valor < 0.05
6.3	Regresión lineal múltiple para proyección de rendimientos (R² > 0.72)	2h	Ajustar regresión múltiple, calcular R² > 0.72, diagnosticar residuos y comunicar resultados a audiencia agroindustrial
6.4	Dashboard ejecutivo Power BI con 6+ visualizaciones interactivas	2h	Construir dashboard ejecutivo con mapas, gráficos combinados y segmentadores para análisis de la cadena agrícola
6.5	Portafolio GitHub: integración de 3 pipelines con README profesional	2h	Organizar los 3 pipelines como portafolio coherente en GitHub, preparar presentación ejecutiva para LinkedIn

---

Proyectos prácticos (5 proyectos avanzados con caso real Ecuador)

Proyecto 1 — Pipeline macroeconómico: API del Banco Central del Ecuador

Sector: Sector financiero Ecuador (BCE — inflación, tasas de interés, balanza comercial, remesas 2015–2024)

Dataset: API pública del BCE (indicadores macroeconómicos mensuales verificables en línea)

Caso real: Sistema de monitoreo de indicadores macroeconómicos con proyección de tendencias

Arquitectura: Python + Requests + Pandas + gradiente descendente + PostgreSQL + Power BI

Métricas de éxito: Pipeline reproducible en 1 clic, RMSE proyección < 0.15, 8+ KPIs en Power BI

Proyecto 2 — Análisis de cartera tributaria del SRI

Sector: Sector público Ecuador — Servicio de Rentas Internas (SRI)

Dataset: Datos públicos SRI (recaudación por tipo de impuesto, sector, provincia y cantón; series 2018–2024)

Caso real: Análisis estadístico que identifica diferencias significativas de recaudación entre regiones y sectores

Arquitectura: Python + Pandas + SciPy/Pingouin (ANOVA entre regiones) + PostgreSQL + Power BI (drill-down por provincia)

Métricas de éxito: Hipótesis con p-valor documentado, dashboard con drill-down por provincia/cantón/sector

Proyecto 3 — Sistema de análisis de producción agrícola

Sector: Agroindustria Ecuador (cacao, banano, maíz, arroz — sectores exportadores clave; cacao USD 756M en 2024)

Dataset: MAGAP (rendimiento/ha, tipo de cultivo, zona, temporada), BanEcuador (crédito agropecuario por provincia)

Caso real: Herramienta que identifica qué cultivos, zonas y temporadas tienen mayor rendimiento

Arquitectura: Pipeline Python completo, ANOVA por cultivo y región, regresión lineal múltiple, PostgreSQL, Power BI

Métricas de éxito: R² > 0.72 en regresión, ANOVA con p < 0.05, dashboard con 6+ visualizaciones interactivas

Proyecto 4 — Exploración estadística de datos de salud pública INEC

Sector: Salud pública Ecuador (INEC, MSP, Solca)

Dataset: Datos abiertos del INEC (estadísticas vitales, egresos hospitalarios, causas de muerte por provincia)

Caso real: Análisis de distribución de enfermedades crónicas por región para apoyar planificación del MSP

Arquitectura: Python + Pandas + SciPy (chi-cuadrado de independencia entre región y tipo de enfermedad) + Power BI

Métricas de éxito: Análisis estadístico documentado con interpretación para audiencia médica, 5+ visualizaciones con filtros

Proyecto 5 — Dashboard ejecutivo de exportaciones Ecuador

Sector: Comercio exterior Ecuador (ProEcuador, Ministerio de Producción)

Dataset: BCE/ProEcuador (exportaciones por producto, destino y mes 2019–2024) — cacao, banano, camarón, flores

Caso real: Sistema de inteligencia comercial para monitorear el desempeño exportador ecuatoriano

Arquitectura: Python + Pandas + Power BI con modelo estrella, medidas DAX con DATESINPERIOD, publicación en Power BI Service

Métricas de éxito: Modelo estrella correctamente implementado, 4+ medidas DAX avanzadas, análisis de tendencias 5 años

---

Herramientas (10–15 enterprise-grade 2026)

Python 3.11+, Pandas, NumPy, Requests, SymPy, Matplotlib, Seaborn, Plotly, SciPy, Pingouin, Statsmodels, VS Code, Jupyter Notebook, Google Colab, GitHub (portafolio público), PostgreSQL, MySQL, DBeaver, Excel (avanzado + Power Query), Power BI Desktop, Power BI Service, DAX (CALCULATE, FILTER, ALL, DATESINPERIOD, RANKX)

---

Metodología

• **Pipeline-first:** cada módulo construye una etapa del pipeline end-to-end; al final el participante tiene 3 pipelines publicados
• **Casos Ecuador-first:** datos 100% de fuentes públicas verificables (BCE, SRI, MAGAP, INEC, ProEcuador)
• **Peer review:** cada proyecto revisado por 2 compañeros con rúbrica de código, visualizaciones y documentación
• **Presentación ejecutiva obligatoria:** el Proyecto 3 se presenta en formato de reunión gerencial
• **GitHub-first:** commits semánticos desde el Módulo 1

Distribución de evaluación

Componente	Peso
Proyecto 1: Pipeline macroeconómico API BCE (Python + gradiente descendente + Power BI)	17%
Proyecto 2: Análisis tributario SRI (estadística inferencial + SQL + Power BI DAX)	18%
Proyecto 3: Pipeline agrícola MAGAP (ANOVA + regresión + Power BI ejecutivo)	20%
Proyecto 4: Salud pública INEC (chi-cuadrado + visualización Power BI)	15%
Proyecto 5: Dashboard exportaciones BCE/ProEcuador (modelo estrella + DAX avanzado)	20%
Participación activa, peer review y calidad de GitHub	10%
**TOTAL**	**100%**

Calificación mínima de aprobación: 70/100. Asistencia mínima requerida: 70% (42 horas de 60).

---

Salida laboral Ecuador 2026 (roles SENIOR)

Rol	Empresa/Sector	Rango salarial referencial
Analista de datos junior-senior	SRI, BCE, INEC, Ministerio de Economía	$1,000–$1,700/mes
Científico de datos	Banco Pichincha, Banco del Pacífico, Produbanco	$1,300–$2,200/mes
Analista de BI	Corporación Favorita (Supermaxi), CNT, Claro	$1,100–$1,800/mes
Data Analyst	Movistar Ecuador, Telefónica, startups tech	$1,200–$2,000/mes
Consultor de datos independiente	Empresas PYME y sector agropecuario	$800–$2,500/proyecto

Fuente referencial: Glassdoor Ecuador 2025 (promedio Data Scientist $1,842/año; analistas senior con Power BI y SQL avanzado se ubican en cuartil superior), multitrabajos.com, LinkedIn Ecuador.

---

Certificado MDT

Certificado de aprobación — "Ciencia de Datos: Proyectos Reales Estándar (60h)" emitido por ITSEIA ACADEMY S.A.S. bajo registro del Ministerio de Trabajo del Ecuador (MDT). Válido para hoja de vida, concursos de méritos en sector público (SENRES/MRL), procesos de contratación privada y reconocimiento de competencias en SETEC.

Fuentes verificables

• BCE Ecuador: API pública de indicadores — www.bce.fin.ec
• SRI Ecuador: recaudación tributaria pública — www.sri.gob.ec
• MAGAP: rendimientos agrícolas — www.agricultura.gob.ec
• ProEcuador: exportaciones — www.proecuador.gob.ec (cacao USD 756M, 2024)
• INEC: estadísticas demográficas — www.ecuadorencifras.gob.ec
• Power BI Microsoft: documentación DAX — learn.microsoft.com/power-bi
• Glassdoor Ecuador 2025: rangos salariales — www.glassdoor.com

---

*Operador: ITSEIA ACADEMY S.A.S. — RUC 1793233739001*

*Coordinador pedagógico: Héctor Bolívar Velasco Álvarez*

*Modalidad virtual · Precio: $197 · 60 horas · Máximo 25 participantes · Área MDT: 06 — Informática y Comunicación*

Reservar Estándar por $197

Ciencia de Datos: Proyectos Reales — Completo (80h · $297)

Operador: ITSEIA ACADEMY S.A.S. (RUC 1793233739001)

Coordinador: Héctor Bolívar Velasco Álvarez

Modalidad: Virtual · Área MDT: 06

Estructura: 8 módulos × 5 temas × 2h = 80h

---

Para quién es (perfiles SENIOR)

Profesionales con visión clara de posicionarse como Data Scientists senior o líderes de analítica en Ecuador. Para quienes quieren dominar el stack completo — Python avanzado, estadística inferencial rigurosa, Power BI con DAX completo, bases de datos avanzadas y primeros pasos en MLOps con AWS SageMaker y Google Vertex AI — construir un portafolio de 5 proyectos de calidad enterprise y recibir mentoría directa de Héctor Velasco.

Perfiles típicos:

• Analistas de datos que quieren el salto a Data Scientist senior ($1,800–$3,500/mes en Ecuador)
• Profesionales de BI que quieren añadir Python y estadística avanzada a su perfil
• Gerentes de analítica que necesitan dominar la parte técnica para liderar equipos
• Consultores independientes que quieren un portafolio sólido y un caso real

---

Objetivo general

Dominar el ciclo completo de la ciencia de datos — Python avanzado, matemáticas que fundamentan el ML, estadística inferencial rigurosa, BI con DAX avanzado, bases de datos con SQL complejo y fundamentos de MLOps — construyendo 5 proyectos reales con datos ecuatorianos, resolviendo un caso real de cliente ITSEIA, preparándose para certificación en la nube y recibiendo mentoría 1:1 de Héctor Velasco.

---

Módulos y temas

Módulo 1: Python avanzado para ciencia de datos (10h)

#	Tema	Horas	Aprenderás
1.1	Programación funcional completa: generators, itertools y functools	2h	Dominar generators, itertools.chain/groupby/islice y functools.reduce/partial para procesamiento eficiente de grandes datasets
1.2	Pandas avanzado completo: merge, groupby, melt, explode y apply	2h	Aplicar todos los tipos de join con indicadores, agg múltiple en groupby, melt/explode para datos anidados, apply con funciones complejas
1.3	APIs REST y GraphQL: OAuth 2.0, paginación y httpx	2h	Consumir APIs con autenticación OAuth 2.0 y API keys, manejar paginación avanzada con httpx y reintentos automáticos
1.4	Formatos avanzados: Parquet, Feather, Poetry y Black	2h	Leer y escribir Parquet y Feather para pipelines de producción, gestionar dependencias con Poetry, formatear con Black
1.5	NumPy avanzado: broadcasting, fancy indexing y einsum	2h	Aplicar broadcasting para operaciones vectorizadas eficientes, fancy indexing para selección condicional, einsum para contracciones

Módulo 2: Matemáticas para Machine Learning (profundo) (10h)

#	Tema	Horas	Aprenderás
2.1	Cálculo diferencial completo: derivadas parciales y series de Taylor	2h	Calcular gradientes multivariables con SymPy, entender series de Taylor y su uso en aproximaciones numéricas para ML
2.2	Gradiente descendente completo: batch, mini-batch, momentum y Adam	2h	Implementar gradiente descendente en 3 variantes, añadir momentum, entender Adam conceptual y learning rate scheduling
2.3	Cálculo integral y área bajo la curva como probabilidad	2h	Calcular integrales definidas con SciPy, interpretar el área bajo la curva de distribuciones como probabilidad acumulada
2.4	Optimización: funciones convexas, KKT conceptual y puntos críticos	2h	Identificar funciones convexas/cóncavas, entender condiciones KKT conceptualmente, analizar puntos críticos de funciones de costo
2.5	Visualización 3D de superficies de costo y curvas de convergencia	2h	Crear visualizaciones 3D interactivas de superficies de error con Plotly, comparar curvas de convergencia de distintos optimizadores

Módulo 3: Estadística Inferencial rigurosa para Data Science (10h)

#	Tema	Horas	Aprenderás
3.1	Estadística descriptiva avanzada: distribuciones, kurtosis excess y Grubbs	2h	Calcular kurtosis excess, detectar outliers con test de Grubbs y IQR, trabajar con distribuciones Weibull y exponencial
3.2	Muestreo: estratificado, por conglomerados e intervalos bootstrap	2h	Diseñar muestras estratificadas y por conglomerados, calcular intervalos de confianza al 90/95/99% con bootstrap
3.3	Pruebas de hipótesis completas: Wilcoxon, Shapiro-Wilk y Levene	2h	Dominar pruebas paramétricas y no paramétricas, verificar supuestos de normalidad y homocedasticidad antes de ejecutar
3.4	Potencia estadística, eta² y validación cruzada estadística	2h	Calcular potencia estadística con Cohen's d y eta², aplicar validación cruzada k-fold con análisis estadístico de métricas
3.5	Regresión logística explicativa con diagnósticos de residuos	2h	Ajustar regresión logística con Statsmodels, interpretar odds ratios, diagnosticar con matriz de confusión y curva ROC

Módulo 4: SQL avanzado + Power BI completo (10h)

#	Tema	Horas	Aprenderás
4.1	SQL avanzado: funciones de ventana completas y CTEs recursivas	2h	Dominar ROW_NUMBER, RANK, DENSE_RANK, PERCENT_RANK, LAG/LEAD, FIRST_VALUE/LAST_VALUE, NTILE y CTEs recursivas
4.2	PostgreSQL avanzado: particionamiento, JSONB y optimización	2h	Particionar tablas por fecha, almacenar datos semiestructurados con JSONB, analizar planes de ejecución con EXPLAIN ANALYZE
4.3	Power BI: modelo estrella, relaciones y tabla de calendario	2h	Construir modelo de datos complejo con dimensiones y hechos, crear tabla de calendario en DAX para análisis de tiempo
4.4	DAX avanzado completo: CALCULATE, ALL, USERELATIONSHIP y análisis temporal	2h	Dominar CALCULATE con múltiples filtros, ALL/ALLEXCEPT/ALLSELECTED, DATESINPERIOD, DATEADD, SAMEPERIODLASTYEAR, TOTALYTD/QTD/MTD
4.5	Power BI Service: RLS, drill-through, bookmarks y API básica	2h	Configurar Row-Level Security por región, crear drill-through y bookmarks, usar la API de Power BI para automatización

Módulo 5: Proyecto 1 — Inteligencia tributaria SRI (10h)

#	Tema	Horas	Aprenderás
5.1	ETL completo: datos públicos SRI + API BCE con Python	2h	Descargar y combinar datos de recaudación tributaria del SRI con indicadores del BCE para análisis integrado
5.2	Modelo estrella en PostgreSQL: dimensiones tiempo, geografía y sector	2h	Diseñar el modelo estrella, crear las tablas de dimensión y hecho, poblar con el pipeline Python de ETL
5.3	SQL con funciones de ventana para análisis LAG/LEAD de tendencias	2h	Calcular tendencias de recaudación con LAG/LEAD, identificar sectores con crecimiento anómalo con PERCENT_RANK
5.4	Power BI con RLS por región y 10+ KPIs tributarios	2h	Construir dashboard con RLS configurado por región, 10+ KPIs interactivos y medidas DAX de análisis temporal
5.5	MLflow tracking del modelo de proyección de recaudación	2h	Registrar experimento de proyección en MLflow 2.x, comparar versiones del modelo, documentar MAPE < 8%

Módulo 6: Proyecto 2 — Análisis de rendimiento agrícola: cacao y banano (10h)

#	Tema	Horas	Aprenderás
6.1	ETL con MAGAP y ProEcuador: rendimientos y precios internacionales	2h	Extraer y limpiar datos del MAGAP (rendimiento/ha, zona, temporada 2015–2024) y ProEcuador (exportaciones y precios)
6.2	ANOVA de dos vías: zona × temporada con potencia estadística	2h	Ejecutar ANOVA de dos vías con Pingouin, verificar supuestos, calcular potencia estadística y tamaño de efecto eta²
6.3	Regresión múltiple con diagnósticos: R² > 0.78 y homocedasticidad	2h	Ajustar regresión múltiple, calcular R² > 0.78, analizar residuos, detectar heterocedasticidad con test de Breusch-Pagan
6.4	PostgreSQL con particionamiento por año y análisis de precio	2h	Particionar tabla de exportaciones por año, calcular correlación entre precipitación y rendimiento con SQL avanzado
6.5	Power BI ejecutivo: análisis YoY y forecast a 12 meses	2h	Construir dashboard con SAMEPERIODLASTYEAR, DATEADD y análisis de forecast básico para presentación a audiencia no técnica

Módulo 7: Proyectos 3 y 4 — Dashboard exportaciones + análisis churn (10h)

#	Tema	Horas	Aprenderás
7.1	Modelo estrella exportaciones: 5 dimensiones en PostgreSQL	2h	Diseñar modelo estrella con dimensiones producto, país destino, mes, región y tipo de exportación; poblar con BCE/ProEcuador
7.2	DAX complejo: YoY, MTD, QTD y forecasting con LINEST	2h	Implementar 6+ medidas DAX avanzadas, análisis Year-over-Year, Month-to-Date y forecasting básico con LINEST en Power BI
7.3	Análisis de churn: EDA profundo + chi-cuadrado en telecomunicaciones	2h	Aplicar EDA sobre dataset Telco Ecuador, ejecutar chi-cuadrado de independencia entre variables categóricas y churn
7.4	Regresión logística explicativa + t-test de cargos mensuales	2h	Ajustar regresión logística explicativa con Statsmodels, t-test para diferencia de cargos entre churners y no churners
7.5	Power BI de segmentación de clientes en riesgo + automatización	2h	Construir dashboard de segmentación de clientes por riesgo de churn, automatizar reporte con Python + Openpyxl

Módulo 8: MLOps + mentoría Héctor + caso real cliente + certificación (10h)

#	Tema	Horas	Aprenderás
8.1	MLflow 2.x: tracking completo, registro de modelos y Evidently AI	2h	Dominar MLflow para tracking y versionado de modelos, usar Evidently AI básico para detectar drift de datos en producción
8.2	AWS SageMaker: notebooks, training jobs y endpoints de inferencia	2h	Configurar SageMaker Notebook Instance, ejecutar training job básico, desplegar endpoint de inferencia para un modelo sklearn
8.3	Google Vertex AI + Azure ML Studio: AutoML y Designer	2h	Usar Vertex AI AutoML para datasets tabulares, Azure ML Designer para pipelines visuales; comparar costos y casos de uso
8.4	Caso real cliente ITSEIA: resolución supervisada por Héctor	2h	Resolver problema de datos de empresa ecuatoriana real con pipeline completo (ETL + estadística + Power BI + presentación ejecutiva)
8.5	Mentoría 1:1 Héctor + plan carrera + hoja de ruta certificación nube	2h	Revisión personalizada del portafolio GitHub, estrategia LinkedIn Ecuador, plan de carrera a 12 meses hacia Data Scientist senior

---

Proyectos prácticos (5 proyectos avanzados con caso real Ecuador)

Proyecto 1 — Sistema de inteligencia tributaria Ecuador

Sector: Sector público — SRI (Servicio de Rentas Internas Ecuador)

Dataset: Datos públicos SRI (recaudación 2018–2024) + API del BCE (inflación, PIB per cápita por provincia)

Caso real: Dashboard de inteligencia tributaria para identificar brechas de recaudación entre provincias

Arquitectura enterprise: ETL Python + PostgreSQL (modelo estrella) + SQL (ventanas LAG/LEAD) + Power BI (RLS) + MLflow tracking

Métricas de éxito: ANOVA con p < 0.05, modelo de proyección con MAPE < 8%, dashboard con RLS y 10+ KPIs

Proyecto 2 — Análisis de rendimiento agrícola: cacao y banano

Sector: Agroindustria exportadora Ecuador (Ecuador exportó USD 756M en cacao en 2024; mayor exportador mundial de cacao fino de aroma)

Dataset: MAGAP (rendimiento/ha, zona, temporada 2015–2024), ProEcuador (exportaciones y precio internacional)

Caso real: Análisis estadístico que identifica qué factores determinan el rendimiento del cacao y su correlación con exportaciones

Arquitectura enterprise: Pipeline Python completo, ANOVA de dos vías, regresión múltiple con diagnósticos, PostgreSQL particionado, Power BI

Métricas de éxito: R² > 0.78, ANOVA con potencia estadística calculada, dashboard con forecast a 12 meses

Proyecto 3 — Dashboard de exportaciones con análisis de tiempo avanzado

Sector: Comercio exterior Ecuador (ProEcuador, Ministerio de Producción; exportadoras de cacao, banano, camarón, flores)

Dataset: BCE/ProEcuador (exportaciones por producto, destino y mes 2015–2024)

Caso real: Sistema de inteligencia comercial para monitorear desempeño exportador y detectar oportunidades

Arquitectura enterprise: PostgreSQL con modelo estrella (5 dimensiones), CTEs y ventanas, Power BI Service con DAX complejo

Métricas de éxito: Modelo estrella con 5 dimensiones, 6+ medidas DAX avanzadas, 2 insights accionables documentados

Proyecto 4 — Análisis de churn en telecomunicaciones Ecuador

Sector: Telecomunicaciones Ecuador (CNT — 4.5M clientes; Movistar; Claro)

Dataset: Telco Customer Churn adaptado con variables, ciudades y precios ecuatorianos locales

Caso real: Análisis estadístico de factores que predicen la baja de clientes con segmentación por plan y región

Arquitectura enterprise: Python + Pandas (EDA) + SciPy/Pingouin + Statsmodels (regresión logística) + Power BI + Openpyxl

Métricas de éxito: Supuestos verificados y documentados, AUC-ROC > 0.80, dashboard de segmentación por riesgo de churn

Proyecto 5 — Caso real cliente ITSEIA (consultoría supervisada senior)

Sector: A definir según perfil (retail, banca, agroindustria, telecomunicaciones, sector público)

Dataset: Datos reales del cliente o datos públicos del sector seleccionado

Caso real: Problema de negocio real con impacto demostrable — desde levantamiento hasta dashboard y presentación ejecutiva

Arquitectura: Python + SQL + Power BI + MLflow si aplica; definida según el problema

Métricas de éxito: Aprobación de Héctor Velasco, pipeline documentado, insights con cuantificación del impacto económico

---

Herramientas (10–15 enterprise-grade 2026)

Python 3.11+, Pandas, NumPy, Requests, httpx, SymPy, Matplotlib, Seaborn, Plotly, SciPy, Pingouin, Statsmodels, Openpyxl, Poetry, Black, flake8, MLflow 2.x, Evidently AI (básico), AWS SageMaker (introducción), Google Vertex AI (introducción), Azure ML Studio (introducción), Docker (básico), VS Code, Jupyter Notebook, GitHub (portafolio público), PostgreSQL, DBeaver, Excel (avanzado + Power Query), Power BI Desktop, Power BI Service, DAX completo

---

Metodología

• **Pipeline end-to-end desde el Módulo 1:** cada sesión avanza una etapa del pipeline completo
• **Casos Ecuador-first:** datos 100% de fuentes públicas ecuatorianas verificables o adaptaciones del contexto latinoamericano
• **Peer review estructurado:** rúbrica de 5 dimensiones (código, estadística, visualización, documentación, reproducibilidad)
• **Presentación ejecutiva obligatoria:** los proyectos 2 y 5 se presentan en formato de reunión gerencial
• **MLOps desde el Módulo 5:** tracking con MLflow 2.x antes del caso real

Distribución de evaluación

Componente	Peso
Proyecto 1: Inteligencia tributaria SRI (ETL + SQL + Power BI con RLS + MLflow)	18%
Proyecto 2: Análisis cacao/banano (ANOVA 2 vías + regresión múltiple + Power BI ejecutivo)	20%
Proyecto 3: Dashboard exportaciones (modelo estrella + DAX avanzado + Power BI Service)	17%
Proyecto 4: Churn telecomunicaciones (estadística completa + regresión logística + Power BI)	15%
Proyecto 5: Caso real cliente ITSEIA (evaluado por Héctor Velasco)	20%
Participación activa, peer review y calidad de GitHub	10%
**TOTAL**	**100%**

Calificación mínima de aprobación: 70/100. Asistencia mínima requerida: 70% (56 horas de 80).

---

Salida laboral Ecuador 2026 (roles SENIOR)

Rol	Empresa/Sector	Rango salarial referencial
Data Scientist senior	Banco Pichincha, Produbanco, Banco del Pacífico	$1,800–$3,500/mes
Analista de BI senior	SRI, BCE, Ministerio de Economía	$1,500–$2,500/mes
Gerente de analítica de datos	Corporación Favorita, CNT, Movistar	$2,200–$4,000/mes
Consultor de datos independiente	Exportadoras, sector agropecuario, PYME	$1,500–$5,000/proyecto
Data Engineer junior	Startups tech Quito y Guayaquil	$1,800–$2,800/mes

Fuente referencial: Glassdoor Ecuador 2025 (promedio Data Scientist $1,842/año; perfiles senior con Power BI DAX avanzado + Python + MLOps básico se ubican en percentil 75–90 del rango salarial), multitrabajos.com, LinkedIn Ecuador.

---

Certificado MDT

Certificado de aprobación — "Ciencia de Datos: Proyectos Reales Completo (80h)" emitido por ITSEIA ACADEMY S.A.S. bajo registro del Ministerio de Trabajo del Ecuador (MDT). El nivel Completo incluye carta de recomendación firmada por Héctor Velasco para procesos de selección laboral, propuestas de consultoría o postulaciones a becas de formación avanzada.

Fuentes verificables

• BCE Ecuador: API pública de indicadores — www.bce.fin.ec
• SRI Ecuador: recaudación tributaria pública — www.sri.gob.ec
• MAGAP: rendimientos agrícolas — www.agricultura.gob.ec
• ProEcuador: exportaciones cacao USD 756M (2024) — www.proecuador.gob.ec
• CNT Ecuador: estadísticas de usuarios — www.cnt.gob.ec
• MLflow: documentación oficial 2.x — mlflow.org
• AWS SageMaker — docs.aws.amazon.com/sagemaker
• Google Vertex AI — cloud.google.com/vertex-ai
• Glassdoor Ecuador 2025: rangos salariales — www.glassdoor.com

---

*Operador: ITSEIA ACADEMY S.A.S. — RUC 1793233739001*

*Coordinador pedagógico: Héctor Bolívar Velasco Álvarez*

*Modalidad virtual · Precio: $297 · 80 horas · Máximo 25 participantes · Área MDT: 06 — Informática y Comunicación*

Reservar Completo por $297