MPGI | Magister en Procesamiento y Gestión de la Información

Inteligencia competitiva y vigilancia tecnológica

I. DESCRIPCIÓN

En este curso, se entregarán los conocimientos e instrumentos característicos para desarrollar servicios de inteligencia competitiva (IC) y vigilancia tecnológica (VT) en ambientes orientados a promover actividades de I+D+i.  La inteligencia competitiva y la vigilancia tecnológica, por medio de la captación, selección, análisis, difusión y comunicación de información relevante de la propia organización y del entorno científico-tecnológico, ayudan a generar nuevos conocimientos para tomar decisiones estratégicas con menor riesgo y anticiparse a los cambios. Se desarrollarán habilidades para la búsqueda, interpretación y difusión de información de utilidad para la toma de decisiones de una empresa.

II. OBJETIVOS 

• Diseñar, implementar y evaluar servicios de inteligencia competitiva y vigilancia tecnológica para fomentar la innovación en organizaciones.
• Distinguir y aplicar los procesos principales de la IC/VT. 
• Identificar necesidades de información en una organización.
• Seleccionar y usar las fuentes de información más apropiadas según tipo de necesidad o proyecto de investigación. 
• Definir y elaborar un plan de recogida de información.
• Analizar, sintetizar y comunicar información y conocimientos en una amplia variedad de formatos.
• Analizar problemas de información y desarrollar soluciones, basándose en diversas herramientas tecnológicas y las mejores prácticas. 

III. CONTENIDOS 

• Introducción a la Inteligencia Competitiva (IC) y a la Vigilancia Tecnológica (VT). 
  • Definición y conceptos. 
  • Enfoques de la Inteligencia Competitiva. 
  • Rol de la Innovación 

• Estudio de las necesidades de IC y VT.
  • Definición de necesidades.
  • Técnicas, métodos e instrumentos. 

• Fases del proceso de VT.
  • Círculo de Inteligencia.
  • Actividades IC/VT. 

• Búsqueda de información
  • Clasificación de las fuentes: primarias y secundarias.
  • Patentes y marcas: bases de datos y directorios 

• Análisis, tratamiento y difusión de la información
  • Modelos de análisis
  • Análisis de patentes y análisis bibliométricos
  • Tratamiento de la información: rol de los expertos y validación de la información
  •  Difusión de la información: herramientas. 

• Diseño de un sistema de VT en una empresa 

IV. METODOLOGÍA

• Clases expositivas
• Lecturas
• Estudio de casos
• Presentaciones

V. EVALUACIÓN 

• Proyecto
• Presentaciones
• Tareas sobre análisis de casos
• Participación en clase

VI. BIBLIOGRAFÍA 

• Escorza, P. ,La inteligencia competitiva: factor clave para la toma de decisiones estratégicas en las organizaciones. Madrid, España, 2008. Disponible en: http://www.madrimasd.org/informacionidi/biblioteca/publicacion/d oc/35_INTEC.pdf 
• García Alsina, M. y Ortoll Espinell, Eva. Inteligencia competitiva: corpus teórico y prácticas. Ibersid. Madrid, España. 6(2012), p.77-88. 
• Hohhof, B. Competitive intelligence anthology. San Antonio, USA: SCIP, 2010. 
• Sharp, S. Competitive intelligence advantage: how to minimize risk, avoid surprises, and grow your business in a changing world. Hoboken, New Jersey: Wiley, 2009. 

Recuperación de información

I. DESCRIPCIÓN

En este curso se tratarán los temas la recuperación y extracción de la información. La recuperación se refiere a aquellos procesos que permiten obtener y enlistar conjuntos de documentos relevantes obtenidos de grandes repositorios, principalmente de Internet, usando palabras claves o descriptores referidos a algún rasgo particular de tales documentos. La extracción de información se enfoca en aquellos procesos dirigidos a la identificación y obtención de patrones específicos de información insertos en textos, considerando para ello la combinación de reglas lingüísticas con métodos probabilísticos.

II. OBJETIVOS 

• Distinguir las diferencias entre recuperación y extracción de información. 
• Localizar información dentro de bases de datos referenciales y textuales, así como otros repositorios similares. 
• Comprender el funcionamiento de los sistemas de recuperación y extracción de información en repositorios electrónicos tanto comerciales como institucionales. 
• Utilizar métodos de recuperación y extracción en buscadores web. 
• Evaluar la calidad de los resultados obtenidos, ponderando especialmente la calidad en la precisión y cobertura de los patrones considerados. 
• Aplicar las estrategias de posicionamiento en motores de búsqueda para organizar la información y lograr una búsqueda efectiva.

III. CONTENIDOS 

• Teorías y modelos de recuperación y extracción de información. 
• Métricas de rendimiento en la recuperación y extracción de información: precision & recall (precisión y cobertura). 
• Estrategias y lenguajes de búsqueda.
• Representación de textos: metadatos y lenguajes de marcación. 
• Recuperación de información en la web: motores, spiders y crawlers, análisis de enlaces (pagerank).
• Buscadores, metabuscadores y visualización de documentos.
• Extracción e integración de información: extracción de datos desde textos en
  formato XML.
• Recuperación de información de datos semi-estructurados.
• Etiquetado social (tagging). 

IV. METODOLOGÍA

• Clases expositivas
• Discusión interactiva sobre los temas revisados
• Prácticas con módulos de Python (NLTK, BeautifulSoup, Gensim, Scipy, etc.) y el sistema Sketch Engine. 

V. EVALUACIÓN 

• Controles
• Exposición
• Proyecto final

VI. BIBLIOGRAFÍA 

• Baeza-Yates, R., et al. Modern information retrieval: The concepts and technology behind search. 2nd Edition. ACM Press Books. Addison-Wesley Professional, 2011.
• Barnbrook, Geoff, et al. Meaningful Texts: The Extraction of Semantic Information from Monolingual and Multilingual Corpora. London/New York, Continuum, 2005.
• Chowdhury, G. ntroduction to modern information retrieval. 2nd ed. Oxford, Oxford University Press, 2003.
• Frakes, W.B., et al. Information retrieval: data structures and algorithms. Englewood Cliffs, NJ., Prentice-Hall, 1992.
• Jackson, Peter, et al. Natural Language Processing for Online Applications: Text Retrieval, Extraction and Categorization. Amsterdam/Philadelphia, John Benjamins, 2002. 

Minería de Datos

I. DESCRIPCIÓN

El objetivo de este curso es proporcionar al alumno elementos que le permitan entender las principales teorías y prácticas de la emergente área de Minería de Datos. Al final del curso el alumno deberá tener un conocimiento teórico y práctico de las principales técnicas utilizadas actualmente en la creación de programas capaces de extraer conocimiento relevante desde bases de datos y conocer algunas de las principales aplicaciones donde en la actualidad este tipo de técnicas están teniendo una amplia aceptación, comprendiendo sus potencialidades y limitaciones. 

II. OBJETIVOS 

• Aprender técnicas de clustering para procesamiento de información

• Comprender y aplicar algoritmos de clasificación

• Aplicar reglas de asociación

III. CONTENIDOS 

• Introducción El concepto y proceso de Minería de Datos, tipos de problemas en que la Minería de Datos es relevante.
• Data Warehouse y OLAP
  • Arquitecturas
  • implementaciones
  • aplicaciones en Minería de Datos. 

• Preparación de la información 
  • Datos ruidosos, 
  • datos faltantes, 
  • reducción de la dimensionalidad y transformaciones, integración e inconsistencias. 

• Reducción de la Información
  • Análisis de las Componentes principales

• Reglas de asociación
  • Algoritmo Apriori

• Clasificación
  • Árboles de Decisión
  • NaiveBayes
  • Razonamiento en Base a casos. 

• Clustering y medidas de similaridad en distintos tipos de datos. 
  • Clustering particional: K-Means, Mean Shift.
  • Medidas de similaridad para distintos tipos de datos. 
  • Clustering aglomerativo. 

• Selección de Modelos (Hold Out, Cross Validation.). 
• Conceptos Básicos en Minería de Texto. 

IV. METODOLOGÍA

• Clases expositivas
• Actividades en clases
• Trabajos grupales

V. EVALUACIÓN 

• Tareas
• Controles
• Trabajo final

VI. BIBLIOGRAFÍA 

• Data Mining: Practical Machine Learning Tools and Techniques, Ian H. Witten, Eibe Frank 
• Data Mining: Concepts and Techniques, Jiawei Han and Micheline Kamber. 
• Machine Learning, Tom M. Mitchell 
• Kimball, R. ”The data warehouse toolkit : the complete guide to dimensional modeling”, John Wiley and Sons, 2002. 
• Inmon, W.H., ”Building the DataWarehouse”, John Wiley and Sons; 3th edition, 2002. 
• T. Hastie, R. Tibshirani, and J. Friedman, ”The Elements of Statistical Learning: Data Mining, Infe- rence, and Prediction”, Springer, 2001. 
• Berry, M. and Linoff, G., ”Data Mining Techniques for Marketing, Sales and Customer Support”, Wiley, 1997. 
• Berson, A., Thearling, K., and Smith, S. ”Building Data Mining Applications for CRM”, McGraw Hill, 1999. 
• Dyche, J., .e-Data: Turning Data into Information with Data Warehousing”, Addisson Wesley, 2000. 

Procesamiento del lenguaje natural

I. DESCRIPCIÓN

Este curso presenta una introducción general al procesamiento del lenguaje natural (o PLN), la cual es un área de investigación emergente orientada hacia la generación y uso de herramientas computacionales en el estudio de una lengua. El curso se enfoca en: – el manejo (semi) automatizado de enormes repositorios de documentos, conocidos como corpus lingüísticos; -el empleo de técnicas estadísticas para determinar comportamientos regulares y/o irregulares en fenómenos observables en corpus; y – la implementación de herramientas computacionales para procesar eficientemente palabras y/o frases.

II. OBJETIVOS 

Brindar a los estudiantes una panorámica general sobre lo que es el PLN, ponderando tanto una descripción teórica de sus conceptos y métodos principales, así como el aprendizaje de técnicas de programación para desarrollar herramientas de análisis. 

• Definir en qué consiste el PLN.
• Definir sus conceptos y métodos básicos.
• Aprender a usar la librería NLTK, programada en lenguaje Python.
• Identificar sus principales líneas de investigación.
• Desarrollar un proyecto basado en alguna de las líneas de investigación revisadas. 

III. CONTENIDOS

• Nociones básicas: definición del PLN, gramáticas formales, gramáticas libres de contexto, n-gramas, corpus lingüísticos, etiquetado lingüístico, chunking y parsing, bases de conocimiento léxicas. 
• Herramientas de análisis: módulos de procesamiento textual de NLTK.
• Técnicas de análisis: probabilidades condicionales, información mutua y entropía, precisión & recall. 
• Líneas de investigación: recuperación y extracción de información, reconocimiento de entidades nombradas, clasificación de textos, minería de textos, desarrollo de ontologías. 

IV. METODOLOGÍA

• Clases expositivas.
• Sesiones de taller con computadores para el aprendizaje en el manejo de herramientas.
• Entrega de evaluaciones parciales.
• Trabajo final.

V. EVALUACIÓN 

• Controles
• Trabajos parciales
• Trabajo final

VI. BIBLIOGRAFÍA 

• Bird, Steven, Klein, Ewan y Loper, Edward (2010): Natural Language Processing with Python. Analyzing Text with the Natural Language Toolkit, Sebastropol, Cal., O'Reilly Media. 
• Clark, Alexander, Fox, Chris and Lappin, Shalom (Eds.) (2010): The Handbook of Computational Linguistics and Natural Language Processing, Oxford, UK, Wiley-Blackwell. 
• Jurafsky, Daniel y Martin, James (2009): Speech and Language Processing, Second Edtion, New Jersey, Prentice Hall. 

Análisis de redes y medios sociales

I. DESCRIPCIÓN

En este curso se entregarán herramientas para comprender las interacciones que emergen de la convergencia entre redes sociales y tecnológicas y cómo estas redes impactan las necesidades de comunicación, la diseminación de la información, la interacción social, la formación de comunidades y los nuevos tipos de mercados. Se estudiarán los mecanismos de análisis de las redes y su comportamiento estructural, incluyendo métodos de análisis de grafos, modelos de difusión y propagación de la información en el web, blogs, micro blogs, wikis, entre otros. Las técnicas analíticas incluyen la minería de texto y datos, recuperación de la información, algoritmos de enlaces, de clasificación y agrupamiento (clustering), análisis de sentimientos y recomendaciones, entre otros.

II. OBJETIVOS 

• Identificar los procesos de difusión y los comportamientos de las cascadas de información en las redes.
  
  
• Comprender y analizar los recientes trabajos científicos para explicar las estructuras sociales, económicas y técnicas y sus interacciones. 
  
  
• Analizar los aspectos computacionales y de ciencias sociales de las redes.
  
  
• Interpretar ideas y métodos de diferentes disciplinas para entender los desafíos y enfoques en el análisis y diseño de las redes y sus mecanismos asociados.
  
  
• Aplicar y diseñar algoritmos para analizar redes, extraer información y hacer recomendaciones.

III. CONTENIDOS

• Introducción.
  
  
• Seis grados de separación – experimento del mundo pequeño.
  
  
• Teoría de grafos y redes sociales.
  
  
• Redes de información y el web.
  
  
• Redes de interacción, teoría de juegos y diseño de mecanismos.
  
  
• Mercados e internet.
  
  
• Efectos de red y cascadas de información.
  
  
• Clasificación,  análisis de sentimiento y polarización.
  
  
• Estudios sobre difusión y propagación en redes.
  
  
• Estudios sobre detección de brotes (epidemias) en redes.

IV. METODOLOGÍA

• Clases expositivas
• Lecturas guiadas
• Tareas
• Trabajos grupales

V. EVALUACIÓN 

• Interrogación
• Tareas
• Controles de lectura
• Examen

VI. BIBLIOGRAFÍA 

• Easley D., Kleinberg. Networks, Crowds, and Markets: Reasoning about a Highly Connected World. Cambridge University Press, 2010.
• Watts, Duncan J. Six Degrees: The Science of a Connected Age,W.W. Norton, 2003.
• Gladwell, Malcom The Tipping Point: How Little Things Can Make a Big Difference.  Little, Brownand Company, 2002.
• Jackson, Mathew Social and Economic Networks.Princeton University Press, 2010. 
• M. E. J. Newman Networks, An Introduction. Oxford University Press, 2010.
• Christakis  N.A., Fowler J.H. Connected, Back Bay Books (reprinted), 2011.

Servicios y mercados electrónicos

I. DESCRIPCIÓN

Este curso se focaliza en el estudio de los fundamentos y el impacto del comercio y de los servicios electrónicos, basados en transacciones sustentadas por medios digitales. Se analizará la forma de hacer negocios en las empresas, industrias, mercados y sociedad, de modo de comprender mejor sus estrategias y la competitividad en los mercados electrónicos. El curso examinará las principales tendencias tecnológicas en comercio electrónico, incluyendo aspectos de su economía, marketing y los efectos de las emergentes redes sociales.

II. OBJETIVOS 

• Aprender los fundamentos de comercio elerctrónico.
  
  
• Entender la importancia de los servicios electrónicos.
  
  
• Comprender los fundamentos posicionamiento del comercio electrínico en Internet.

• Comprender el impacto del comercio electrónico en las empresas, industrias, mercados y sociedad, 

III. CONTENIDOS 

• ECONOMIA DE LA INFORMACION
  • El Precio de la Información
  • Diferenciación de Producto y Precio
  • “Bundling” o empaquetamiento
  • “Lock-in” y su Gestión
  • Redes y Realimentación Positiva 

• ESTRATEGIAS Y MODELOS DE NEGOCIO
  • Comercio Electrónico B2C
  • Comercio Electrónico C2C
  • Comercio Electrónico B2B
  • Casos Emblemáticos 

• MECANISMOS PARA EL COMERCIO ELECTRONICO
  • Motores de Búsqueda
  • Infraestructura para el e-Business
  • Sistemas de Pago Electrónico 

• MARKETING EN INTERNET
  • Personalización, diferenciación, segmentación
  • SEO (Search Engine Optimization)
  • Publicidad Patrocinada
  • Web Analytics 

• PRIVACIDAD Y PROPIEDAD INTELECTUAL 

• FUNDAMENTOS DE SUBASTAS
  • Primer Precio Oferta Sellada
  • Segundo Precio Oferta Sellada 
  • Ascendente (Inglesa)
  • Descendente (Holandesa) 

• COMERCIO MOVIL
  • Negocio de Contenidos
  • Resumen tecnología

• RESUMEN Y PROYECCIONES

IV. METODOLOGÍA

• Clases expositivas
• Actividades en clases
• Trabajos grupales

V. EVALUACIÓN 

• Controles
• Participación
• Trabajo final

VI. BIBLIOGRAFÍA 

• C. Shapiro, H. Varian, “Information Rules”, Harvard Business School Press, 1999. 
• K. C. Laudon, C. G.Traver “E-Commerce: business, technology, society”, 12th Edition, Addison-Wesley/Pearson, 2016. 
• David Easley and Jon Kleinberg “Networks, Crowds, and Markets: Reasoning about a Highly Connected World”. Cambridge University Press, 2010. 
• Varian, Hal R; Farrell, Joseph and Shapiro, Carl “The economics of Information Technology. An Introduction” Raffaele Mattioli Lectures, Cambridge Univ. Press, 2005. 
• Chris Anderson “The Long Tail”, Hyperion, NY, 2008.
  John Battelle “The Search” How Google ant its Rivals Rewrote the Rules of 
• Business and Transformed our Culture, Portfolio (Penguin Group), 2005 

Archivistica

I. DESCRIPCIÓN

Este curso entrega conceptos, herramientas y estrategias para la gestión efectiva y eficiente de documentos y archivos. Se analiza y debate la disciplina archivística y su aplicación en la gestión de la información.

II. OBJETIVOS

III. CONTENIDOS

• Fundamentos de archivística.
  
  
• Tipología de fondos públicos y privados.
  
  
• Historia de los Archivos y la Archivística. Funciones.
  
  
• Los Archivos y la Archivística en Chile.
  
  
• Normas internacionales de descripción archivística. ISAD(G), ISAAR (CPF), ISDIAH, ISDF.
  
  
• El tratamiento Archivístico. Clasificación, ordenación, descripción y recuperación.
  
  
• Prevención, conservación y restauración.
  
  
• Gestión de documentos.
  
  
• ISO 15489 / ISO 30300.
  
  
• Documentos electrónicos.
  
  
• Documentación empresarial.
  
  
• Archivos digitales. 

IV. METODOLOGÍA

El curso se desarrolla en forma de seminario con lecturas por sesión que deberán ser leídas, analizadas y debatidas en clase. Los estudiantes realizarán un ensayo a partir de una selección de bibliografía de los contenidos presentados en clases, asimismo prepararán una investigación monográfica analizando un caso de gestión de documentos y archivos de institución de interés. 

V. EVALUACIÓN

• Ensayo.
• Participación en clases.
• Trabajo Final.

VI. BIBLIOGRAFÍA

El proceso de innovación

Este curso analiza el proceso de innovación a través de cinco niveles de análisis: individual, de equipo, de red, organizacional, e industrial. En cada nivel de análisis, se presta especial atención a las condiciones bajo las cuales los procesos de innovación pueden tener éxito o fracasar. Al exponer a los estudiantes a una variedad de perspectivas sobre la innovación, se fomentarán sus experiencias en trabajos anteriores y se prepararán para diversas actividades creativas laborales. Profesor: Fernando Barraza.

Estudios de usuarios y desarrollo de competencias informacionales

Este curso entregará los conceptos y técnicas básicas para desarrollar y gestionar estudios de usuarios que permitan detectar en forma eficiente necesidades emergentes de ellos y de las comunidades, como también su nivel de satisfacción. Además se entregarán los conocimientos, habilidades y valores necesarios para el diseño, implementación, evaluación y gestión de programas de desarrollo de competencias informacionales (DCI) para diversas comunidades.

Profesores: Elvira Saurina, Viena Covarrubias.