Maestría en Business Analytics
URI permanente para esta colección
La Maestría en Business Analytics ofrece una formación que combina conocimientos teóricos y prácticos de los elementos de la analítica de negocios, con el desarrollo de competencias en gestión para que sus egresados lleven a cabo procesos de transformación tecnológica y lideren equipos de trabajo dentro de las organizaciones y sus áreas de inteligencia y analítica de negocios.
El programa nace como parte de UR STEAM, el cual se caracteriza por el aprendizaje integrado, experiencial y experimental a través de laboratorios y otros espacios de ideación, creación y práctica en áreas de conocimiento de vanguardia, orientados hacia la cultura maker y la resolución de problemas centrados en el individuo, y con una gran cercanía con el sector empresarial para el desarrollo de proyectos conjuntos de investigación aplicada.
Examinar
Envíos recientes
- ÍtemAcceso Abierto
Predicción de la rotación del personal mediante modelos de Machine Learning: un enfoque de People Analytics para la toma de decisiones estratégicas(2026-08-06) Roca Leal, María Paula; Castaño Aristizabal, Yudy ConstanzaEl presente proyecto pertenece a la disciplina de People Analytics y ejemplifica cómo se toman decisiones organizacionales fundamentadas en datos, relacionadas con un recurso fundamental para cualquier organización: las personas. Específicamente, este proyecto está relacionado con la rotación del personal e implementa técnicas estadísticas y de Machine Learning, como lo son la Regresión Logística, Random Forest, XGBoost y LightGBM. El objetivo de la implementación y análisis de estas herramientas analíticas es identificar los factores que muestran mayor asociación con la rotación voluntaria de los colaboradores, así como determinar cuáles empleados presentan una alta probabilidad de rotación según los patrones detectados en los datos. - ÍtemDesconocidoDesarrollo de un modelo predictivo de supervivencia para identificar anticipadamente el prepago de créditos de vehículo en una compañía de financiamiento automotriz en Colombia(2026-07-27) Tovar Hernández, Edwin Alejandro; Castaño Aristizabal, Yudy ConstanzaEste trabajo de grado desarrolla un modelo predictivo para identificar anticipadamente el prepago total de créditos de vehículo en una compañía de financiamiento automotriz en Colombia. El proyecto parte de una necesidad de negocio: complementar la evaluación tradicional del riesgo de crédito, enfocada en el incumplimiento, con una dimensión adicional relacionada con la permanencia del cliente y la rentabilidad esperada del contrato. Para abordar el problema, se aplicó análisis de supervivencia, metodología adecuada cuando no solo interesa saber si un evento ocurre, sino también cuándo ocurre. La base analítica incluyó créditos originados entre 2019 y 2025, incorporando tanto contratos que presentaron prepago como observaciones censuradas. Se evaluaron diferentes modelos predictivos y se seleccionó el modelo de Cox como alternativa principal, debido a su equilibrio entre desempeño, interpretabilidad y aplicabilidad en el negocio. El modelo permite estimar la probabilidad de prepago a 12 meses y apoyar decisiones de negocio. El principal aporte del proyecto es demostrar que el prepago temprano puede gestionarse como un riesgo de rentabilidad, permitiendo tomar decisiones más informadas y proteger el margen financiero.
- ÍtemDesconocidoSolución analítica de pronóstico de ventas basada en series de tiempo y análisis de riesgo para la toma de decisiones comerciales en una distribuidora tecnológica B2C(2026-07-22) Méndez Lizcano, María Daniela; Plata Dávila, Laura Alejandra; Cruz Castro, Daniel LeonardoLa planeación comercial y el pronóstico de ventas son procesos estratégicos fundamentales para las organizaciones que operan en entornos dinámicos y competitivos, especialmente en sectores como el eCommerce y la comercialización de tecnología de consumo. En este contexto, el presente proyecto surge de la necesidad de fortalecer el proceso de planeación comercial de una distribuidora tecnológica B2C en Colombia, debido a las limitaciones del modelo de regresión lineal simple utilizado para proyectar ventas. Dicho modelo presentaba dificultades para capturar patrones de estacionalidad, volatilidad y factores externos que influyen en el comportamiento de la demanda, generando errores significativos en periodos de alta demanda. El objetivo general consistió en desarrollar un modelo analítico de pronóstico de ventas que superara en precisión al modelo actual, con el fin de generar proyecciones mensuales más confiables para los primeros cinco meses de 2026 y apoyar la toma de decisiones comerciales. Para ello, se compararon diferentes modelos de series de tiempo y machine learning, se seleccionó el de mejor desempeño y se incorporó un análisis probabilístico de riesgo asociado al pronóstico. El proyecto se desarrolló bajo la metodología CRISP-DM, utilizando información histórica de ventas mensuales entre 2022 y 2025, complementada con variables macroeconómicas y eventos comerciales. Durante la investigación se identificó que las ventas presentan alta volatilidad, marcada estacionalidad y sensibilidad frente a factores macroeconómicos y promocionales, lo que limita la efectividad de enfoques lineales tradicionales. En consecuencia, se implementaron y evaluaron modelos como Holt-Winters, Random Forest, XGBoost, SARIMA, SARIMAX y Prophet mediante métricas de desempeño como MAPE y RMSE. 14 Los resultados evidenciaron que un ensamble ponderado entre Prophet con Variación IPC t-1 y SARIMAX con fechas especiales obtuvo el mejor desempeño, alcanzando un MAPE de 14,15% y un RMSE de $51.252USD, superando significativamente el modelo de regresión lineal simple. Adicionalmente, la simulación de Monte Carlo permitió cuantificar riesgos y probabilidades de cumplimiento de metas comerciales, fortaleciendo la capacidad de anticipación y la planeación estratégica de la organización. En términos de negocio, el proyecto permitió consolidar un enfoque de planeación comercial más preciso, analítico y orientado a la toma de decisiones basada en datos, aportando una herramienta con mayor capacidad para anticipar el comportamiento de la demanda y reducir la incertidumbre en la definición de estrategias comerciales y financieras.
- ÍtemAcceso AbiertoModelo 360 para la estrategia de ventas – sector salud visual(2026-07-24) Cadena Rodríguez, Jose Ferney; Castaño Aristizabal, Yudy ConstanzaModelo 360 para la Estrategia de Ventas aplicado a Restrepo Comercial, distribuidor B2B del sector de salud visual en Colombia (lentes de contacto y soluciones oftalmológicas). Problema: ausencia de un modelo formal de pronóstico, de segmentación de clientes y de herramientas de análisis continuo. Datos y método: 122.108 registros transaccionales (ene–nov 2025) y serie mensual jul 2021–dic 2025 (60 observaciones), estructurados con CRISP-DM y recorriendo las cuatro etapas analíticas (descriptiva, diagnóstica, predictiva, prescriptiva). Hallazgos descriptivos: ventas brutas de $24.959.923.103 COP, concentradas en la regional Altiplano Bogotá (51,8%), el proveedor ALCON (60,4%) y el primer trimestre. Resultado predictivo: Holt-Winters multiplicativo con damped trend supera a SARIMA (MAPE 18,83% vs. 19,98%) y se adopta como modelo de producción. Entregable tecnológico: el Agente Analítica 360, aplicación web que automatiza el pipeline completo, corre cinco modelos comparativos y genera pronósticos y recomendaciones sin programar. Cierre: conclusiones, recomendaciones estratégicas (re-entrenamiento, diversificación de proveedores, integración con ERP), pasos a seguir, referencias y cinco anexos (código Python, glosarios, comparativa de modelos, literatura). El proyecto desarrolla una solución analítica integral end-to-end para la compañía, que atraviesa las cuatro etapas de la analítica: descriptiva, diagnóstica, predictiva y prescriptiva. La modelación se centra en series de tiempo, evaluando comparativamente el modelo Holt-Winters Multiplicativo con Damped Trend y el modelo SARIMA optimizado. El análisis parte de una base transaccional de ventas correspondiente al período enero–noviembre 2025 (122.108 registros transaccionales) y a la serie histórica mensual agregada de julio 2021 a diciembre 2025 (60 observaciones) utilizada para los modelos predictivos. Como marco estructurador se aplica la metodología ágil CRISP-DM.
- ÍtemRestringido
Modelo predictivo de churn involuntario para una empresa de telecomunicaciones en Colombia(2026-07-14) Reina Rodríguez, David Alejandro; Reina Rodríguez, Gustavo Adolfo; Becerra Salcedo, Fabian Andrés; Cruz Castro, Daniel LeonardoEste trabajo desarrolla un modelo predictivo de churn involuntario para una empresa de telecomunicaciones en Colombia, utilizando más de 5 millones de registros históricos y variables relacionadas con facturación, mora, consumo y comportamiento del cliente. Tras comparar varios algoritmos, XGBoost fue el modelo seleccionado por su mejor desempeño (AUC = 0,939), permitiendo identificar de forma anticipada a los clientes con mayor riesgo de abandono por falta de pago y facilitando la priorización de estrategias de retención y gestión de cartera.
