Skip to content
Identificar cuándo un problema financiero requiere Big Data y cuándo SQL convencional es suficienteDiseñar una arquitectura de datos (Data Lake + Data Warehouse) adecuada al caso de uso y nivel de madurez de la organizaciónTomar la decisión batch vs. streaming con criterios de latencia, costo y complejidad operativaAplicar los cuatro casos de uso de mayor impacto: fraude, comportamiento de cliente, trading algorítmico y riesgo en tiempo realIntegrar modelos de ML escalables sobre Big Data, incluyendo los riesgos de overfitting, sesgo e interpretabilidad regulatoriaDiseñar un esquema de gobierno de datos que cumpla con los requerimientos regulatorios del sector financiero en México
Revisar el material de la sesión correspondiente en este Coda antes de conectarseConectarse con 5 minutos de anticipación — las sesiones arrancan en puntoCámara encendida siempre. El formato es seminario, no webinarMicrófono en silencio cuando no se tenga el turno de participaciónLas preguntas se hacen en voz, no por chat — si la pregunta es buena para todos, merece ser escuchada por todosNo se graban las sesiones para consultarlas más tarde. La asistencia en vivo es el mecanismo de aprendizajeLas distracciones externas son responsabilidad del participante — el instructor no repetirá contenido ya cubiertoLas intervenciones deben ser accionables: una pregunta concreta, una hipótesis, un desacuerdo con argumento. No se valora la participación por volumenEstá permitido —y se espera— disentir del facilitador si hay argumento de respaldoLos casos de uso de los participantes enriquecen la sesión: si tienes un ejemplo de tu institución, compárteloEste Coda es el repositorio oficial del curso. Todo está aquí: temario, contenido por clase, ejercicios y recursos adicionalesLos ejercicios se entregan respondiendo directamente en las páginas correspondientes de este documentoEl facilitador responde dudas por correo dentro de las 24 horas siguientes a cada sesión
Big Data Business Solutions in Finance
Por qué este curso, por qué ahora
Las instituciones financieras ya no compiten por capital ni por red de distribución — compiten por la velocidad con que convierten datos en decisiones. El volumen de datos generados por transacciones, mercados y clientes supera hace años la capacidad de los sistemas relacionales tradicionales. Las organizaciones que no desarrollen capacidad interna para procesar, gobernar e interpretar datos masivos quedarán sistemáticamente en desventaja frente a quienes sí lo hagan.
El problema no es falta de datos. Es falta de arquitectura, criterio tecnológico y casos de uso claros que conecten el dato con el valor de negocio.
Este curso existe para cerrar esa brecha.
Los bancos, aseguradoras y fintechs en México y América Latina operan sobre volúmenes de datos que crecen a doble dígito anual: transacciones electrónicas, feeds de mercado, datos de comportamiento digital, señales de riesgo en tiempo real. La infraestructura de datos en la mayoría de las instituciones no fue diseñada para esta escala.
Los proyectos de Big Data fracasan no por falta de tecnología disponible, sino por tres razones recurrentes: se selecciona tecnología antes de entender el problema de negocio, se construye infraestructura sin gobierno de datos, y los modelos de ML se despliegan sin criterios de monitoreo ni escalabilidad. El resultado: inversión elevada, valor capturado marginal.
El participante que complete este curso podrá diagnosticar qué problemas financieros justifican Big Data, diseñar la arquitectura correcta para cada caso, seleccionar el stack tecnológico con criterio de costo-efectividad, y escalar modelos de ML sobre datos masivos con los controles de governance necesarios para operar en un entorno regulado.
Objetivo de aprendizaje
Al concluir el programa, el participante será capaz de:
Contenido del curso y su distribución
Clase
Primer bloque 50 min
Segundo bloque 60 min
Producto de la clase
Qué es Big Data en finanzas: Volumen, Variedad, Velocidad, Veracidad y Valor. Fuentes de datos financieras: transacciones, cotizaciones, clientes, redes sociales e IoT/insuretech.
Retos del procesamiento tradicional y cómo Big Data los resuelve. Discusión guiada: ¿qué problemas financieros requieren realmente Big Data?
Mapa inicial de oportunidades Big Data en instituciones financieras.
Infraestructura de Big Data. Almacenamiento distribuido: Hadoop, NoSQL y comparación con bases relacionales tradicionales.
Procesamiento paralelo con Spark y Flink. Computación en la nube: AWS EMR, Google BigQuery y adopción en instituciones financieras.
Matriz tecnología–caso de uso: cuándo usar batch, streaming, NoSQL, Spark, Flink o nube.
Data lakes y data warehouses para integrar datos de mercados, riesgos y clientes. Principios de arquitectura de datos financieros.
Gobierno de datos: calidad, consistencia, seguridad y cumplimiento regulatorio. Privacidad, GDPR, secreto bancario y monitoreo con Big Data.
Bosquejo de arquitectura objetivo para una institución financiera.
4. Analítica, AI y taller práctico
Casos de uso: comportamiento del cliente, fraude, trading e inversiones, riesgos y cumplimiento. Integración de Big Data con ML: MLlib, TensorFlow distribuido, scoring crediticio, sesgos, overfitting y costo computacional.
Taller práctico: diseño de una arquitectura Big Data para detección de fraude en pagos móviles. Definición de fuentes, tecnología, procesamiento batch/streaming y outputs esperados.
Arquitectura Big Data presentada por los participantes, con discusión de escalabilidad y costo-efectividad.
There are no rows in this table
Método de evaluación
El curso no tiene examen. La evaluación es continua y se estructura en tres momentos:
Participación en clase (40%) Cada sesión incluye discusión de casos reales y preguntas de diagnóstico. Se evalúa la calidad del razonamiento —no la respuesta correcta— y la capacidad de conectar el concepto técnico con la implicación de negocio.
Ejercicios de aplicación por clase (30%) Al final de cada sesión se plantea un ejercicio breve: identificar el stack tecnológico adecuado para un escenario dado, diagnosticar un fallo arquitectónico, o calcular el ROI de una solución. Se entrega antes del inicio de la siguiente clase.
Taller final — diseño de arquitectura (30%) En la Clase 4, cada participante (o equipo) presenta un diseño de arquitectura Big Data para un caso concreto: fuentes de datos, tecnología seleccionada, esquema de procesamiento (batch vs. streaming), KPIs de éxito y criterios de governance. Se evalúa coherencia técnica, conexión con valor de negocio y viabilidad operativa.
No se evalúa memorización de tecnologías. Se evalúa criterio para seleccionarlas y articular el trade-off.
Ground rules
Antes de cada clase
Durante la clase
Sobre la participación
Sobre los materiales
Instructor
es uno de los referentes en México en la intersección entre inteligencia artificial, analítica avanzada y decisiones de negocio. ComoManaging Partner de Business Data Scientists, ha ayudado a
organizaciones a convertir datos, modelos y capacidades de IA en decisiones más sólidas, escalables y con impacto económico.
Su trayectoria combina liderazgo empresarial, consultoría estratégica y formación ejecutiva de alto nivel. Ha sido Director de Analytics en Accenture México, Partner en IBM en la práctica de Cognitive Business
Decisions y CIO del IPADE, además de profesor y conferencista en instituciones como RiskMathics, EGADE, ITAM, IPADE, INALDE y PAD.
Es de , obra que examina los límites, riesgos y retos de gobierno de la inteligencia artificial en la alta dirección.
En este curso aporta una perspectiva ejecutiva, práctica y orientada a valor para entender cómo Big Data, analítica e IA pueden traducirse en ventajas reales para las instituciones financieras.
Want to print your doc?
This is not the way.
This is not the way.
Try clicking the ··· in the right corner or using a keyboard shortcut (
CtrlP
) instead.