MACHINE LEARNING Y BIG DATA

PRESENTADO POR: JORGE VELÁSQUEZ GONZÁLEZ

VALUACIÓN DE PROYECTOS CON MÉTODOS DE

MACHINE LEARNING Y BIG DATA

EMPEZAR

INTRODUCCIÓN

EVOLUCIÓN DE LAS METODOLOGÍAS TRADICIONALES A LAS TECNOLÓGICAS

FUNDAMENTOS TEÓRICOS

BIG DATA EN PROYECTOS

Metodologías de Valuación con Machine Learning

TÉCNICAS DE ANÁLISIS

ÍNDICE

IMPORTANCIA de ML y BIG DATA EN LA VALUACIÓN MODERNA

VALUACIÓN DE PROYECTOS

INTRODUCCIÓN

VALUACIÓN DE PROYECTOS E IMPORTANCIA DE ML y BIG DATA

La valuación de proyectos consiste en estimar el valor futuro de un proyecto utilizando proyecciones financieras y herramientas analíticas. El objetivo es medir su rentabilidad, viabilidad y capacidad para generar valor económico.

Machine Learning (ML) y Big Data permiten análisis más ágiles y precisos, optimizando la toma de decisiones. Estas tecnologías superan limitaciones tradicionales al ofrecer predicciones robustas basadas en datos complejos.

EJEMPLO

EJEMPLO

EVOLUCIÓN DE LAS METODOLOGÍAS TRADICIONALES A LAS TECNOLÓGICAS

TRADICIONALES

TECNOLÓGICAS

Métodos como el Valor Presente Neto (VPN) y las tasas internas de retorno.

Integración de modelos predictivos, análisis en tiempo real y algoritmos avanzados que procesan grandes volúmenes de información.

FUNDAMENTOS TEÓRICOS

Machine Learning en Valuación de Proyectos

El Machine Learning (ML) puede emplearse en la valuación de proyectos para optimizar predicciones, analizar datos históricos y modelar escenarios futuros. Entre los algoritmos más relevantes para esta aplicación se encuentran:

Tipos de algoritmos aplicables

REGRESIÓN

Random Forest

Árboles de Decisión

Herramienta que toma decisiones mediante divisiones sucesivas en base a condiciones específicas (nodos), permitiendo clasificar o predecir. Árboles de Decisión Es un conjunto de múltiples árboles de decisión (ensemble learning). Cada árbol contribuye con una predicción y el modelo final utiliza un promedio o votación para mejorar la precisión y reducir el sobreajuste.

REDES NEURONALES

BIG DATA EN PROYECTOS

Fuentes de datos

Herramientas principales

• Apache Hadoop y Spark: Procesamiento masivo de datos en paralelo. • Google BigQuery: Análisis eficiente de datos en la nube.

Datos financieros históricos. • Tendencias del mercado extraídas de redes sociales. • Sensores IoT en proyectos de infraestructura.

Metodologías de Valuación con Machine Learning

TÉCNICAS DE ANÁLISIS

CASOS DE ESTUDIO

Valuaciones aplicadas en distintas industrias: Tecnología: Empresas como Google emplean Big Data y ML para evaluar retornos en servicios en la nube. Energías renovables: Proyectos de parques eólicos calculan el ROI considerando factores como el viento y los costos con modelos predictivos. Startups: Algoritmos de clustering identifican startups prometedoras segmentándolas según sus características de negocio.

Software adicional:Power BI: Creación de visualizaciones interactivas para comunicar resultados. Tableau: Dashboards avanzados para representar insights complejos. Certificaciones relevantes: Google Cloud Certified: Data Engineer: Enfocada en arquitecturas de datos y herramientas de ML para análisis avanzados.

HERRAMIENTAS Y TECNOLOGÍAS

GRACIAS

Planificación de Proyectos en Papel Ejemplo: Usar una hoja de cálculo física o una libreta para planificar tareas, recursos y tiempos de un proyecto.

EJEMPLO

TRADICIONAL

Ejemplo: Usar plataformas como Microsoft Project, que permiten organizar tareas, colaborar en tiempo real y hacer seguimiento automático de los avances.

EJEMPLO

TECNOLÓGICA