MACHINE LEARNING Y BIG DATA

VALUACIÓN DE PROYECTOS CON MÉTODOS DE

MACHINE LEARNING Y BIG DATA

PRESENTADO POR: JORGE VELÁSQUEZ GONZÁLEZ

EMPEZAR

ÍNDICE

BIG DATA EN PROYECTOS

INTRODUCCIÓN

EVOLUCIÓN DE LAS METODOLOGÍAS TRADICIONALES A LAS TECNOLÓGICAS

Metodologías de Valuación con Machine Learning

TÉCNICAS DE ANÁLISIS

FUNDAMENTOS TEÓRICOS

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.

VALUACIÓN DE PROYECTOS

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.

IMPORTANCIA de ML y BIG DATA EN LA VALUACIÓN MODERNA

EVOLUCIÓN DE LAS METODOLOGÍAS TRADICIONALES A LAS TECNOLÓGICAS

TECNOLÓGICAS

TRADICIONALES

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

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

EJEMPLO

EJEMPLO

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

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.

Random Forest

REDES NEURONALES

BIG DATA EN PROYECTOS

Herramientas principales

Fuentes de datos

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

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

Metodologías de Valuación con Machine Learning

TÉCNICAS DE ANÁLISIS

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.

CASOS DE ESTUDIO

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

EJEMPLO

TRADICIONAL

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

TECNOLÓGICA

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