Análisis de Datos en RRHH: Estadísticas y People Analytics con Excel, R, POWER BI y otros sistemas

MÓDULO 1. INTRODUCCIÓN AL SOFTWARE

4 HORAS

1.1. Esquema de contenidos.

1.2. Excel:

1.2.1. Instalación.

1.2.2. Introducción a la interfaz.

1.3. POWER BI:

1.3.1. Instalación.

1.3.2. Introducción a la interfaz.

1.4. R STUDIO:

1.4.1. Instalación.

1.4.2. Introducción a la interfaz.

MÓDULO 2. HR ANALYTICS

6 HORAS

2.1. Business Intelligence.

2.2. HR Analytics.

2.3. El proyecto de HR Analytics:

2.3.1. Anatomía de un modelo analítico.

2.3.2. Anatomía de un proyecto de HR Analytics.

2.4. La rotación.

MÓDULO 3. ESTADISTICA BÁSICA

10 HORAS

** La estadística se utiliza como una tecnología al servicio de las ciencias donde la variabilidad y la incertidumbre forman parte de su naturaleza. Se ocupa de la sistematización, recogida, ordenación y presentación de los datos referentes a un fenómeno con el objeto de hacer previsiones, tomar decisiones u obtener conclusiones.

3.1. Aspectos introductorios a la estadística.

3.2. Concepto y funciones de la estadística:

3.2.1. Estadística descriptiva.

3.2.2. Estadística inferencial.

3.3. Medición y escalas de medida:

3.3.1. Escala nominal.

3.3.2. Escala ordinal.

3.3.3. Escala de intervalo.

3.3.4. Escala de razón.

3.4. Variables: clasificación y notación.

3.5. Distribución de frecuencias:

3.5.1. Distribución de frecuencias por intervalos.

3.6. Representaciones gráficas:

3.6.1. Representación gráfica de una variable:

3.6.1.1. Diagrama de barras.

3.6.1.2. Diagrama de sectores.

3.6.1.3. Pictograma.

3.6.1.4. Histograma.

3.6.1.5. Polígono de frecuencias.

3.6.2. Representación gráfica de dos variables:

3.6.2.1. Diagrama de barras conjunto.

3.6.2.2. Diagrama de dispersión o nube de puntos.

3.7. Propiedades de la distribución de frecuencias:

3.7.1. Tendencia central.

3.7.2. Variabilidad.

3.7.3. Asimetría o sesgo.

MÓDULO 4. ESTADISTICA DESCRIPTIVA

8 HORAS

** La estadística descriptiva hace referencia a la recogida, ordenación y análisis de los datos recogidos en una muestra. La descripción de una variable tiene que venir expresada por medio de índices numéricos, así como por alguna representación gráfica.

4.1. Introducción.

4.2. Descripción de una variable cualitativa.

4.3. Descripción de una variable cuantitativa:

4.3.1. Indices de localización:

4.3.1.1. Media aritmética.

4.3.1.2. Media geométrica.

4.3.1.3. Media armónica.

4.3.1.4. Mediana.

4.3.1.5. Moda.

4.3.2. Indices de variabilidad:

4.3.2.1. Varianza y desviación estándar.

4.3.2.2. Desviación media.

4.3.2.3. Amplitud.

4.3.3. Indices de forma:

4.3.3.1. Tipos de asimetría.

4.3.3.2. Tipos de apuntamiento.

4.3.4. Indices de posición.

4.3.5. Otros índices:

4.3.5.1. Coeficiente de variación.

4.3.5.2. Coeficiente de correlación.

MÓDULO 5. ESTADISTICA INFERENCIAL

6 HORAS

5.1. Conceptos previos:

5.1.1. El azar en la vida cotidiana.

5.1.2. Clases de sucesos.

5.1.3. Leyes del azar. Introducción a la probabilidad.

5.1.4. Introducción a la ley de Laplace.

5.2. Métodos de muestreo:

5.2.1. Población y muestra.

5.2.2. Métodos de muestreo:

5.2.2.1. Métodos de muestreo probabilísticos.

5.2.2.2. Métodos de muestreo no probabilísticos.

5.2.2.3. Muestreo polietápico.

5.3. Principales indicadores:

5.3.1. Contraste de hipótesis.

5.3.2. Análisis bivariable en contrastes de hipótesis:

5.3.2.1. Independencia de variables categóricas.

5.3.2.2. Independencia de variable categórica y numérica.

MÓDULO 6. ANÁLISIS DESCRIPTIVO UNIVARIANTE

12 HORAS

6.1. Medidas de tendencia central:

6.1.1. La media aritmética.

6.1.2. La mediana.

6.1.3. La moda.

6.2. Medidas de posición:

6.2.1. Percentiles.

6.2.2. Cuartiles y deciles.

6.3. Medidas de variabilidad:

6.3.1. Amplitud total o rango.

6.3.2. Varianza y desviación típica.

6.3.3. Amplitud semi-intercuartil.

6.4. Medidas de forma.

6.5. Indice de asimetría de Pearson.

6.6. Puntuaciones típicas.

6.7. Análisis univariable categórico.

MÓDULO 7. ANÁLISIS EXPLICATIVO Y PREDICTIVO BIVARIANTE

8 HORAS

7.1. Introducción al análisis conjunto de variables.

7.2. Asociación entre dos variables cualitativas.

7.3. Correlación entre dos variables cuantitativas.

7.4. Regresión lineal.

MÓDULO 8. DISTRIBUCIONES DE PROBABILIDAD

10 HORAS

8.1. Conceptos previos de probabilidad.

8.2. Variables discretas de probabilidad:

8.2.1. Función de probabilidad.

8.2.2. Función de distribución.

8.2.3. Media y varianza de una variable aleatoria.

8.3. Distribuciones discretas de probabilidad:

8.3.1. La distribución binomial.

8.3.2. Otras distribuciones discretas.

8.4. Distribución normal.

8.5. Distribuciones asociadas a la distribución normal:

8.5.1. Distribución “Chi-cuadrado” de Pearson.

8.5.2. Distribución “t” de Student.

MÓDULO 9. EL ANÁLISIS PRECEPTIVO CON MACHINE LEARNING

4 HORAS

9.1. Introducción.

9.2. Ventajas y desventajas de los análisis preceptivos.

9.3. Fases de un proyecto predictivo.

MÓDULO 10. VISUALIZACIÓN Y STORYTELLING

16 HORAS

10.1. Comunicándonos con datos.

10.2. Visualizaciones de datos.

10.3. Diseño visual:

10.3.1. Introducción.

10.3.2. Orden.

10.3.3. Jerarquía.

10.3.4. Claridad.

10.3.5. Relaciones.

10.3.6. Convención.

10.4. Tipos de gráficos:

10.4.1. Categorías.

10.4.2. Temporales.

10.4.3. Parte de un conjunto.

10.4.4. Distribuciones.

10.4.5. Geoespaciales.

10.4.6. Relaciones.

10.4.7. Valores exactos.

10.5. Conclusiones e ideas prácticas.

MÓDULO 11. EL PROYECTO DE HR ANALYTICS

16 HORAS

** Realización de un proyecto de HR Analytics de inicio a fin. Para ello se dispondrá de datos, instrucciones detalladas y videos para realizar un caso práctico de predicción de rotación con un algoritmo de Bosque Aleatorio en R Studio.

11.1. Introducción.

11.2. Identificación del problema de negocio.

11.3. Descubrimiento y colección de datos:

11.3.1. Arquitectura de datos.

11.3.2. Preparación de las listas de datos.

11.3.3. Recolección de datos iniciales.

11.3.4. Definición de variables y diccionario de datos.

11.3.5. Verificación de datos.

11.4. Preparación de datos:

11.4.1. Análisis univariable.

11.4.2. Limpieza de datos.

11.4.3. Tratamiento de valores atípicos y perdidos.

11.4.4. Ingeniería de características:

11.4.4.1. Creación de variables.

11.4.4.2. Transformación de variables.

11.4.4.3. Reducción de dimensión.

11.4.5. Análisis bivariante y prueba de hipótesis.

11.4.6. División de datos.

11.5. Selección y construcción del modelo.

11.6. Evaluación del modelo:

11.6.1. Evaluación modelo regresión.

11.6.2. Evaluación de un modelo de clasificación.

11.7. Conclusiones internas.

11.8. Exposición de resultados.