Evidencia invisible: análisis de datos y storytelling para la docencia y la investigación
Objetivo general
Al finalizar el curso, el docente estará en capacidad de interpretar críticamente conjuntos de datos, identificar historias latentes en las cifras y comunicar hallazgos de manera persuasiva y ética, transformando la cifra fría en evidencia comprensible y accionable en sus cátedras e investigaciones.
Dirigido a
Docentes e investigadores de diversas áreas, y administrativos que consumen o generan datos y busquen pasar de la descripción técnica a la interpretación estratégica de la información.
Prerrequisitos:
N/A.
Metodología
La metodología del curso se fundamenta en el modelo de Aprendizaje Basado en la Indagación, estructurado en cuatro sesiones de tres horas. Durante las tres primeras jornadas, que se llevarán a cabo de forma virtual, se combinarán clases magistrales para la explicación de conceptos con el análisis de estudios de caso. En dicho espacio, los participantes se aproximarán a herramientas para auditar la información, aprendiendo a cuestionar la procedencia de los conjuntos de datos y a utilizar hojas de cálculo como herramientas de lógica para descubrir relaciones ocultas.
El proceso sigue un hilo conductor que transita desde la indagación sobre la fuente hasta la consolidación de un hallazgo sólido y la planificación de una estructura narrativa coherente.
La transición hacia la práctica final ocurre en la cuarta sesión, la cual tendrá un carácter presencial y se centrará en un taller de narrativa y comunicación. En este encuentro, los participantes aplicarán el Método del Caso para transformar sus análisis previos en productos comunicativos que integren la evidencia con la retórica visual. Se priorizará el uso de recursos de diseño abierto y técnicas de exposición oral para asegurar que el conocimiento técnico se convierta en un mensaje persuasivo y claro.
Evaluación
El sistema de evaluación está diseñado para medir la competencia del docente en la transición del dato a la comunicación estratégica. Se fundamenta en dos componentes principales: el desempeño durante el proceso formativo y la calidad técnica del producto final.
El componente de proceso pondera la asistencia y la participación activa en las discusiones de los estudios de caso, valorando la capacidad del docente para cuestionar la información y aportar perspectivas críticas durante las tres sesiones virtuales y el taller presencial.
El entregable final consiste en la creación de una Narrativa de Datos, que puede presentarse como un artículo corto de análisis o una infografía analítica. Este producto debe sustentarse en un conjunto de datos reales proporcionados o seleccionados por el participante y será evaluado bajo cuatro criterios fundamentales:
- La auditoría crítica de la fuente utilizada,
- La pertinencia en la selección y relación de variables para extraer un hallazgo no evidente,
- La precisión en la elección de la representación visual para sustentar dicho hallazgo,
- La coherencia del hilo conductor narrativo que conecta la evidencia con una conclusión pedagógica o investigativa.
Contenidos académicos:
| Sesión | Contenido temático |
| 1 | Aprender a leer los Datos.
¿Qué nos dice y qué nos oculta una tabla? Tipos de variables, escalas de medición y cómo detectar anomalías o sesgos en fuentes de información. |
| 2 | Interrogación y Curaduría.
Transformar preguntas de investigación en consultas de datos. Técnicas de agregación y comparación para encontrar la noticia dentro del número. |
| 3 | Gramática de los Gráficos.
Relaciones visuales: comparación, distribución, correlación y evolución temporal. ¿Cómo elegir el visual que mejor sustente un argumento? |
| 4 | El Arte del Storytelling con Datos.
Estructura narrativa: Contexto, Conflicto (el hallazgo) y Resolución. Eliminación de ruido cognitivo en presentaciones y redacción de insights accionables para papers o clases. |
Inscripción AQUÍ
Fabián Castiblanco
Es profesor investigador de matemáticas y estadística en la Escuela de Administración de la Universidad Externado de Colombia. Terminó su doctorado en ingeniería matemática, estadística e investigación de operaciones en la Universidad Complutense de Madrid.
Su principal línea de investigación está relacionada con la aplicación de la lógica difusa y el machine learning en la economía y los negocios. En particular, investiga modelos para predecir fracasos empresariales y modelos para tratar con la incertidumbre y la subjetividad en modelos predictivos.
Sus intereses de investigación también incluyen técnicas de aprendizaje automático para problemas de clasificación y regresión, problemas de decisión multicriterio y la aplicación del aprendizaje profundo y la computación blanda en el entorno empresarial.
Está categorizado como Investigador Asociado por el Ministerio de Ciencia, Tecnología e Innovación de Colombia. Es revisor de artículos científicos en revistas como fuzzy economic review y Journal of Intelligent & Fuzzy Systems y Spanish Accounting Review. Miembro de redes académicas como: Red de transferencia de tecnología para el emprendimiento (REDTRECEM) de la Universidad Autónoma del Estado de México. La red de excelencia CASI-CAM-CM de la Comunidad Autónoma de Madrid, España. Participante activo en International Association for the Management and Economics of Fuzzy Sets (SIGEF) y la North American Fuzzy Information Processing Society (NAFIPS).
