CordobIATaller ML

Programa CordobIA · Aceleración empresarial a través de la IA

Machine Learning
para emprendedores

Dos horas para aterrizar el aprendizaje automático en tu negocio: qué es, qué no es, qué datos necesitas y cuál es tu primer paso. Sin fórmulas, sin código y con las manos en la masa.

120'de taller
6bloques
9actividades interactivas
1Canvas ML de tu proyecto
Empezar el taller Ir a mi Canvas ML
SD

Imparte

Dra. Sara Díaz

Doctora en Economía Financiera · Consultora de IA aplicada · Certificada CAIO-CP (Chief AI Officer).

  • +13 años de docencia
  • 8 años vinculada a la tecnología
  • Directora de IA liderando proyectos técnicos end to end

Actividad 0 · 1 minuto

¿En qué fase está tu emprendimiento?

Elige la tuya. Durante el taller verás consejos adaptados a tu fase.

Hoja de ruta

Agenda de 2 horas

  1. 0:00
    Bienvenida y objetivo10' · ¿En qué fase estás?
  2. 0:10
    1 · Desmitificar la IA y el ML15' · Juego: ¿esto es Machine Learning?
  3. 0:25
    2 · Cómo aprende una máquina20' · Entrena tu primer modelo
  4. 0:45
    3 · Los 5 superpoderes del ML20' · Predecir ventas · Segmentar clientes · Tu sector
  5. 1:05
    Descanso10'
  6. 1:15
    4 · Los datos primero15' · Caza errores · Test de madurez
  7. 1:30
    5 · Equivocarse con cabeza10' · El coste de los errores · Ética y RGPD
  8. 1:40
    6 · Tu Canvas ML15' · Diseña tu primer caso de uso
  9. 1:55
    Cierre5' · Plan 30-60-90 y valoración
1

0:10 – 0:25 · 15 minutos

Desmitificar: IA, ML y lo que no lo es

Inteligencia ArtificialMáquinas que hacen tareas que asociamos a la inteligencia humana.
Machine LearningSistemas que aprenden patrones a partir de datos en lugar de seguir reglas escritas a mano.
Deep LearningML con redes neuronales: imágenes, voz, texto.
IA generativaChatGPT, Claude, Gemini… generan contenido nuevo.

Programación tradicional

Reglas+Datos→Respuestas

«Si el cliente lleva 60 días sin comprar, envíale un descuento.» Tú escribes la regla.

Machine Learning

Datos+Respuestas→Reglas (modelo)

Le das el histórico de clientes que se fueron y que se quedaron, y el sistema descubre qué señales anticipan la baja.

Actividad 1

¿Esto es Machine Learning?

0 / 0

Lee cada situación y vota. Debatid en voz alta antes de revelar la respuesta.

Idea clave ML = aprender de ejemplos pasados para anticipar o decidir mejor en el futuro. Si no hay datos históricos ni una decisión repetitiva que mejorar, probablemente no necesitas ML (todavía).
2

0:25 – 0:45 · 20 minutos

Cómo aprende una máquina

📦DatosEjemplos del pasado: ventas, clientes, visitas…
🧹PrepararLimpiar, unificar y elegir variables útiles.
🏋️EntrenarEl algoritmo busca patrones en los ejemplos.
✅EvaluarLo probamos con datos que no ha visto.
🎯PredecirLo usamos para decidir en casos nuevos.
🔁MejorarMedimos, aprendemos y reentrenamos.

Mini-glosario para no perderse

Actividad 2

Entrena tu primer modelo: ¿este cliente volverá?

Eres una cafetería. Cada punto es un cliente: eje X = visitas al mes, eje Y = ticket medio. Haz clic para añadir clientes que vuelven o que no vuelven. El fondo muestra lo que el modelo «cree» para cualquier cliente nuevo.

Ejemplos de entrenamiento0
Prueba: con 3 puntos el modelo es «atrevido» y se equivoca mucho. Con 20 empieza a tener sentido. Más y mejores datos = mejores predicciones.
Idea clave Un modelo no «entiende» tu negocio: generaliza a partir de los ejemplos que le das. Si los ejemplos son pocos, sesgados o están mal etiquetados, aprenderá mal.
3

0:45 – 1:05 · 20 minutos

Los 5 superpoderes del ML para tu negocio

📈Predecir un númeroRegresión

¿Cuánto venderé el sábado? ¿Qué precio fijar? ¿Cuánto stock pedir?

🏷️ClasificarClasificación

¿Este cliente se irá? ¿Este lead comprará? ¿Este pago es fraude?

🧩AgruparClustering

¿Qué tipos de clientes tengo? Segmentos para marketing a medida.

🎁RecomendarSistemas de recomendación

«Quien compró esto también compró…». Más ticket medio.

🚨Detectar anomalíasDetección de outliers

Una máquina que va a fallar, un gasto raro, una caída de ventas.

Actividad 3

Predice las ventas de tu panadería

Histórico de barras de pan vendidas al día según la temperatura. Mueve los controles y observa cómo cambia la calidad de la predicción.

Error medio de la predicción–

Predicción para mañana

Hornea aprox.–
Fíjate en dos lecciones: (1) con más días de histórico la línea se estabiliza; (2) añadir la variable correcta (fin de semana) reduce el error más que añadir días. Saber qué medir vale tanto como medir mucho.
Actividad 4

Descubre tus segmentos de clientes

150 clientes de una tienda online según frecuencia de compra y gasto anual. Nadie les ha puesto etiqueta: el algoritmo k-means los agrupa solo. Elige cuántos grupos buscar y pulsa «Agrupar».

Ahora tú: ¿qué nombre de negocio le pondrías a cada grupo? (p. ej. «fieles VIP», «ocasionales», «dormidos»). ¿Qué acción de marketing haría con cada uno?
Actividad 5

¿Y en mi sector?

Elige tu sector y comenta en parejas cuál de estos casos encaja mejor con tu proyecto.

1:05 – 1:15

☕ Descanso de 10 minutos

Pregunta para el café: «¿Qué decisión tomo cada semana a ojo que podría tomar con datos?»

4

1:15 – 1:30 · 15 minutos

Los datos primero: el activo que empiezas a construir hoy

Ya tienes más datos de los que crees

🧾 TPV / caja🛒 Tienda online📇 CRM o agenda📊 Excel y facturas 📱 Redes sociales🌐 Google Analytics📝 Formularios💬 WhatsApp / emails 🏛️ Datos abiertos (INE, AEMET, Junta)📦 Proveedores y stock

Las 5 C de un dato útil

  • Completo sin huecos en lo importante
  • Correcto refleja la realidad
  • Consistente mismo formato siempre
  • Contemporáneo actualizado
  • Conectado se puede cruzar (ID de cliente, fecha…)

«Basura entra, basura sale»

El 60–80 % del tiempo de un proyecto de ML se va en preparar datos. El mejor algoritmo del mundo no arregla datos malos.

Regla práctica para emprender: diseña desde el día 1 cómo vas a recoger los datos de cada venta, cliente y campaña. Hoy es gratis; dentro de dos años será tu ventaja competitiva.

Actividad 6

Caza los 7 errores

0 / 7

Este es el Excel de ventas de una tienda. Haz clic en las celdas que contienen un problema de calidad.

Pista: busca duplicados, huecos, imposibles, formatos distintos y valores absurdos.
Actividad 7

Test de madurez de datos de tu proyecto

Responde con sinceridad. Obtendrás tu nivel y tu siguiente paso.

5

1:30 – 1:40 · 10 minutos

Equivocarse con cabeza: todo modelo falla

Ningún modelo acierta el 100 %. La pregunta de negocio no es «¿cuánto acierta?», sino «¿cuánto me cuesta cada tipo de error?»

Actividad 8

¿A qué clientes llamo para evitar que se den de baja?

Tienes un gimnasio con 200 socios. Un modelo da a cada uno una probabilidad de darse de baja. Llamar y ofrecer un descuento cuesta 10 €; retener a un socio que se iba vale 150 €. ¿A partir de qué probabilidad llamas?

0Acierto: se iba y lo llamé
0Falsa alarma: llamé y no se iba
0Se me escapó: se iba y no llamé
0Bien: ni se iba ni llamé
0 €Beneficio neto de la campaña
Si llamar es barato y el cliente vale mucho, conviene bajar el umbral aunque haya falsas alarmas. El umbral es una decisión de negocio, no técnica.

Uso responsable: lo mínimo que debes saber

🔒 RGPD

Datos personales solo con base legal y finalidad clara. Minimiza, anonimiza e informa a tus clientes.

🇪🇺 Reglamento Europeo de IA

Clasifica los sistemas por riesgo. Usos como selección de personal o concesión de crédito son de alto riesgo y tienen obligaciones extra.

⚖️ Sesgos

Si tu histórico discrimina, tu modelo discriminará. Revisa quién queda fuera de tus datos.

6

1:40 – 1:55 · 15 minutos

Tu Canvas ML: diseña tu primer caso de uso

Rellénalo para tu emprendimiento. Se guarda en tu navegador y puedes descargarlo o imprimirlo. Empieza por la decisión, no por la tecnología.

Actividad 9

Canvas ML

Herramientas para empezar sin programar

Hojas de cálculoGoogle Sheets / Excel: PRONOSTICO, tendencias, «Analizar datos».
Asistentes de IAChatGPT, Claude, Gemini: sube un CSV (sin datos personales) y pide análisis y gráficos.
Teachable MachineGoogle: entrena un clasificador de imágenes o sonidos en minutos.
Orange Data MiningGratuito y visual: arrastra bloques para segmentar o predecir.
Looker Studio / Power BIAntes de predecir, visualiza: cuadros de mando con tus datos.
AutoML en la nubeVertex AI, Azure ML, BigML: cuando tengas datos y un caso validado.
✓

1:55 – 2:00 · 5 minutos

Cierre: tu plan 30 · 60 · 90 días

30

Ordena

Haz inventario de tus datos. Crea una hoja única de ventas/clientes con formato consistente e ID de cliente.

60

Visualiza

Monta un cuadro de mando sencillo. Detecta 2-3 patrones y formula una pregunta de negocio concreta.

90

Experimenta

Lanza tu primer experimento de tu Canvas ML con herramientas sin código. Mide antes y después.

Cinco ideas para llevarte

  1. ML es aprender de ejemplos para decidir mejor, no magia.
  2. Empieza por la decisión de negocio, nunca por el algoritmo.
  3. Tus datos son un activo: recógelos bien desde hoy.
  4. Todo modelo se equivoca: decide qué error te sale más caro.
  5. Empieza pequeño, sin código y midiendo.
Código QR de la encuesta de satisfacción CordobIA

Tu opinión será muy útil

Por favor, valora la sesión que acabas de recibir escaneando el código QR. ¡Muchas gracias!