REALIZACIÓN DE PREDICCIONES Y FORECAST CON POWER BI

MÓDULO 1. INTRODUCCIÓN A POWER BI

4 HORAS

** POWER BI es una herramienta de inteligencia de negocios diseñada para transformar datos sin procesar en información valiosa y visualmente atractiva. Ofrece una serie de servicios y características que permiten a las empresas tomar decisiones informadas basadas en datos.

1.1. Introducción a los cuadros de mando:

1.1.1. La importancia de la analítica de datos.

1.1.2. Qué es un cuadro de mando.

1.1.3. Ejemplo práctico.

1.1.4. Historia de los cuadros de mando.

1.2. Analítica descriptiva:

1.2.1. Herramientas para la analítica descriptiva.

1.2.2. Relación con otros tipos de analítica.

1.2.3. Estadísticos y cálculos.

1.2.4. Estadísticos:

1.2.4.1. PI, KPI y OKR.

1.2.4.2. Roles en analítica de datos.

1.2.5. Proceso de análisis de datos.

1.2.6. Tipos de cuadros de mando:

1.2.6.1. Clasificación basada en su propósito.

1.2.6.2. Clasificación basada en el tipo de análisis.

1.3. Introducción a la herramienta Power BI :

1.3.1. Componentes principales de Power BI.

1.3.2. Ventajas de Power BI frente a otras herramientas.

1.3.3. Aplicaciones en el análisis de datos.

1.4. Conexión a fuentes de datos:

1.4.1. Introducción al modelo semántico .

MÓDULO 2. PREPARACIÓN Y MODELADO DE DATOS

12 HORAS

** El proceso de carga y limpieza de datos es crítico a la hora de realizar cualquier tipo de estudio con herramientas de analítica descriptiva ya que sienta las bases para un correcto análisis y presentación de los resultados.

2.1. Instalación de Power BI:

2.1.1. Instalación desde la tienda de Windows.

2.1.2. Instalación desde la web.

2.2. Presentación de Power BI:

2.2.1. Paneles y visualizaciones.

2.3. El modelo de tres capas.

2.4. Importación de datos en Power BI:

2.4.1. Tipos y fuentes de datos en Power BI.

2.4.2. Importar datos en Power BI.

2.4.3. Problemas a la importación de datos considerando las configuraciones regionales:

2.4.3.1. Problemas asociados a la importación del tipo “Fecha”.

2.4.3.2. Problemas asociados a la importación de datos tipo numérico.

2.5. Análisis exploratorio:

2.5.1. Importación de datos.

2.5.2. Transformación y limpieza de datos:

2.5.2.1. Verificación de la calidad de los datos.

2.5.2.2. Monitorización de pasos de transformación.

2.6. Transformación de datos:

2.6.1. Cálculo de totales:

2.6.1.1. Datos en filas a columnas.

2.6.2. Cálculo de nuevas columnas en Power Query.

2.6.3. Filtrando datos en Power Query.

2.6.4. Tablas duplicadas vs tablas referenciadas.

2.7. Introducción a los modelos de datos: relaciones y jerarquías

2.7.1. Relaciones:

2.7.1.1. Cardinalidad.

2.7.1.2. Direccionalidad del filtro.

2.7.1.3. Beneficios de usar relaciones en Power BI .

2.7.2. Jerarquías.

2.8. Fundamentos de DAX. Medidas básicas y KPIs:

2.8.1. Definición de medidas y columnas calculadas.

2.8.2. Medidas en Power BI. Cálculo de KPIs:

2.8.2.1. Cálculo de medidas y KPI.

2.8.2.2. Principales cálculos en medidas.

2.8.2.3. Iteradores en Power BI.

2.8.2.4. Diferencias entre iteradores y operadores normales.

2.8.2.5. El contexto en Power BI.

2.8.2.6. Cálculos rápidos en Power BI.

2.9. Columnas calculadas en Power BI:

2.9.1. Condiciones: uso de IF y SWITCH.

2.9.2. Filtrado de tablas en columnas calculadas.

2.9.3. Creación de tablas con DAX y filtros.

2.9.4. Cálculo de tablas sumarizadas con DAX.

2.9.5. Cálculos con Time Intelligence en PowerBI.

MÓDULO 3. VISUALIZACIÓN DE DATOS

10 HORAS

** La visualización de datos es una de las habilidades más importantes al trabajar con herramientas como Power BI. Por ello, es importante conocer cómo diseñar informes atractivos y efectivos, utilizar gráficos y tablas personalizadas, implementar filtrados e interactividad y aplicar buenas prácticas en visualización orientadas a la toma de decisiones. El objetivo es lograr que cualquier usuario, independientemente de su nivel técnico, pueda interpretar los datos rápidamente y tomar decisiones acertadas.

3.1. Diseño de informes atractivos y efectivos en Power BI:

3.1.1. Principios básicos del diseño de informes.

3.1.2. Estructuración del informe.

3.2. Uso de gráficos y tablas personalizadas en Power BI para la creación de un forecast:

3.2.1. Selección del gráfico adecuado:

3.2.1.1. Gráficos de barras y columnas: comparación entre categorías.

3.2.1.2. Gráficos de líneas y áreas: tendencias temporales.

3.2.1.3. Gráficos circulares y de anillos: cuándo usarlos y sus limitaciones.

3.2.1.4. Gráficos de dispersión: relaciones entre variables.

3.2.1.5. Cartografía y mapas: visualización geoespacial de datos.

3.2.2. Personalización de gráficos y tablas:

3.2.2.1. Ajustar colores, etiquetas y títulos.

3.2.2.2. Uso de "tooltips" personalizados.

3.2.2.3. Activar y personalizar "Data Labels".

3.2.2.4. Opciones avanzadas para gráficos.

3.2.3. Configuración avanzada de tablas y matrices:

3.2.3.1. Agregar subtotales y totales generales.

3.2.3.2. Cambiar formatos numéricos.

3.2.3.3. Uso de expresiones DAX básicas para personalizar métricas.

3.3. Filtrado e interactividad en dashboards:

3.3.1. Tipos de filtros en Power BI.

3.3.2. Segmentación.

3.3.3. Interacciones entre gráficas.

3.3.4. Botones e indicadores interactivos.

3.4. Buenas prácticas en visualización para la toma de decisiones:

3.4.1. Regla de oro de la visualización: minimalismo funcional .

3.4.2. Errores comunes y cómo evitarlos:

3.4.2.1. Incorporación de narrativas.

3.4.2.2. Técnicas para destacar conclusiones clave.

MÓDULO 4. ANÁLISIS PREDICTIVO Y FORECAST

20 HORAS

** Un modelo predictivo es una herramienta de análisis de datos que utiliza técnicas estadísticas y de aprendizaje automático para prever eventos futuros basándose en datos históricos. Estos modelos son esenciales en la toma de decisiones informada, permitiendo a las empresas anticipar tendencias, comportamientos y resultados.

4.1. Introducción a los modelos predictivos en Power BI:

4.1.1. Previsión de series temporales.

4.1.2. Componentes de una serie temporal:

4.1.2.1. Series temporales aditivas y multiplicativas.

4.1.3. Modelo de suavizado exponencial.

4.1.4. ARIMA: Modelo Autorregresivo Integrado de Media Móvil

4.1.4.1. ACF y PACF en el modelo ARIMA.

4.2. Uso de funciones avanzadas de DAX para simulaciones:

4.2.1. Implementación en DAX:

4.2.1.1. Requisitos previos.

4.2.1.2. Cálculo de la tendencia.

4.2.1.3. Cálculo de valores eliminando la tendencia.

4.2.1.4. Cálculo de la estacionalidad .

4.2.1.5. Cálculo del forecast.

4.2.2. Simulaciones y escenarios hipotéticos:

4.2.2.1. Medidas de rendimiento en predicciones.

4.3. Integración con modelos estadísticos con R y Python:

4.3.1. Introducción a Python:

4.3.1.1. Principales tipos de datos en Python.

4.3.1.2. Funciones de conversión entre tipos de datos.

4.3.1.3. Data frames (biblioteca Pandas).

4.3.1.4. Representación gráfica con Matplotlib.

4.3.1.5. Instalación de Python.

4.3.1.6. Configuración de Python en Power BI.

4.3.1.7. Cargar scripts de Python en Power BI.

4.3.1.8. Opcional: Visual Studio Code.

4.3.1.9. Instalación de librerías en Python.

4.3.2. Introducción a R:

4.3.2.1. Principales tipos de datos en R.

4.3.2.2. Funciones de conversión entre tipos de datos.

4.3.2.3. Data frames.

4.3.2.4. Representación gráfica con ggplot.

4.3.2.5. Instalación de R.

4.3.2.6. Configuración de R en Power BI.

4.3.2.7. Cargar un script de R en Power BI.

4.3.2.8. Opcional. Instalación de RStudio.

4.3.2.9. Instalación de librerías en RStudio.

4.4. Creación de reportes interactivos para escenarios futuros:

4.4.1. Diseño de dashboards interactivos que incorporen análisis predictivo.

4.4.2. Gráficos dinámicos y segmentaciones para explorar distintos escenarios.

MÓDULO 5. EJERCICIO FINAL

4 HORAS

** Realización de un ejercicio final con el objetivo de aprender a implementar el cálculo del forecast usando, al menos, uno de los métodos propuestos a lo largo del curso: DAX, Python o R.