• Descripción

La inteligencia de negocio y el análisis de datos, bajo diferentes nombres (Business Intelligence, Business Analytics, Data Science, Big Data), es actualmente la mayor área de demanda de profesionales cualificados, la mayor fuente de inversión de las empresas en sistemas de información y la mayor causa de creación de negocios de productos y servicios en todo el mundo.

El data science surge en un escenario en el que convergen tres circunstancias que caracterizan enormemente nuestro tiempo:

• Por un lado, las nuevas tecnologías, cada vez más, facilitan el acceso a la información, dejando a nuestro alcance la posibilidad de procesarla, interpretarla y tomar acciones estratégicas, como influir sobre sus fuentes, optimizar nuestros procesos o adaptar nuestro producto a necesidades cambiantes.
• Por otro lado, los modelos estadísticos y matemáticos han desarrollado nuevas habilidades que, junto a un incremento muy significativo en la capacidad de computación, han supuesto un avance sin precedentes en el campo del procesado de la información.
• Y finalmente, un entorno económico cada vez más exigente, se invita a las organizaciones a adoptar enfoques más analíticos como vía para alcanzar sus objetivos. Identificar patrones estables o coyunturales dentro de escenarios inestables por definición nos ayudará a anticipar y en consecuencia, a tomar medidas proactivas en lugar de reactivas.

En definitiva, hay que entender data science como un camino, una forma de hacer y de trabajar, y no como un objetivo en sí mismo. Es un componente más de la cultura organizativa que debe involucrar tanto a niveles estratégicos como a niveles operativos de la misma.

Por todo esto, una organización que explote data science requerirá incorporar perfiles con conocimientos en ámbitos como algoritmos, metodologías de trabajo, estándares del sector y por supuesto, también conocimientos de negocio.

Es generalmente aceptada la idea de asociar habilidades sintéticas y analíticas a las actividades más o menos científicas como data science; sin embargo, es igualmente importante cultivar habilidades creativas para, sistemáticamente buscar y a veces encontrar, patrones nuevos que nos permitan convertir datos en conocimiento.

A través del estudio de los distintos algoritmos, el estudiante observará la aportación creativa de distintos científicos que han contribuido muchas veces, con soluciones sencillas, brillantes y efectivas a problemas realmente complejos a priori.

La asignatura presenta los conceptos y tipología de análisis de diferentes tipos de datos, los modelos y algoritmos de uso más frecuente de clasificación y agrupación y las metodologías y estándares profesionales y científicos que se usan en analítica de negocio.

En esta asignatura el estudiante trabaja principalmente con R. Para ello cuenta con un laboratorio asociado que da soporte a los aspectos más prácticos relacionados con el uso de R. 

• La asignatura en el conjunto del plan de estudios

El Máster en Inteligencia de Negocio y Big Data Analytics (MIBA) y los programas especializados de la UOC en este ámbito, ofrecen desde hace más de diez años una formación práctica y profesionalizadora basada en casos de negocio y en el uso de herramientas de mercado, impartida por profesionales de BI del mundo de la empresa y profesores especialistas en ciencias empresariales, matemáticas e ingeniería informática.

Esta asignatura pertenece a la especialidad ESP1 "Analítica de datos". Más concretamente, dicha especialidad incluye otras asignaturas relacionadas:

• Fundamentos de Inteligencia de Negocio
• Fundamentos del Big Data

La especialidad de analítica de datos está dirigida a proporcionar al profesional de perfil empresarial y tecnológico las capacidades prácticas de análisis de datos y de manejo de herramientas, dentro del marco científico de Data Science aplicado a los negocios y las organizaciones.

En paralelo a esta asignatura, dentro de dicha especialidad los estudiantes desarrollarán los conceptos básicos de minería de datos, de forma que dispondrán de una base sólida para comprender todo el proceso que se inicia con la recogida de datos hasta la publicación de los resultados obtenidos.

Esta asignatura, pues, presenta una visión transversal, dotando a los estudiantes de las competencias para manejar los modelos y algoritmos para extraer conocimiento de los datos. De esta forma, usando los conocimientos que se irán adquiriendo en las otras asignaturas de la misma especialidad, el estudiante será capaz de capturar datos, procesarlos y exponer el conocimiento derivado de los mismos.

• Campos profesionales en que se proyecta

El objetivo del máster de Inteligencia de Negocio y Big Data Analytics (MIBA) de la UOC ha sido tradicionalmente la formación de profesionales todo-terreno con una formación en análisis y solución de problemas de negocio, estadística avanzada y minería de datos y diseño y construcción de sistemas de información de Business Intelligence, que podían trabajar en diferentes departamentos de la empresa o en un centro de competencias transversal.

Así pues, dicho máster está dirigido a dos perfiles profesionales diferenciados:

Por un lado, un perfil funcional y empresarial interesado en adquirir o completar su formación en métodos, técnicas y herramientas de análisis y minería de datos y en la utilización de tecnologías de inteligencia de negocio, a nivel de usuario avanzado.

Y por otro, un perfil técnico interesado en adquirir o completar su formación en el diseño, construcción, explotación y uso de los sistemas y tecnologías de la información, de la inteligencia de negocio y el análisis de datos.

A medida que esta especialidad ha crecido y las empresas reconocen la necesidad de esta clase de perfiles, también lo han hecho las diferentes salidas profesionales:

• Analistas de datos en departamentos de control de gestión u otros departamentos de la empresa, especialmente en el área de marketing y ventas y en las áreas de producción y operaciones.
• Responsables, jefes de proyecto o analistas de sistemas de información de BI en departamentos de informática o técnicos y analistas de empresas que han adquirido o están a punto de hacerlo esta clase de sistemas.
• Científicos de datos en departamentos especializados de análisis y estadística o en empresas externas que proporcionan esta clase de servicio a sus clientes.
• Consultores e implantadores de sistemas de inteligencia de negocio y Big Data en empresas de servicios.
• Emprendedores, que desean crear negocios basados en la creación o la implantación de sistemas especializados de inteligencia de negocio o de alguno de sus componentes, así como productos y/o servicios basados en datos.

• Conocimientos previos

En principio, los estudiantes con ciertos conocimientos de estadística básica no deberían tener problemas para encarar esta asignatura. No obstante, si fuera necesario y el estudiante lo necesita, el profesor en el aula proporcionará más referencias respecto los conceptos introducidos. Como el resto de asignaturas de esta especialidad, lo que se pretende es asentar las bases para poder entender sin dificultades las asignaturas que componen la especialidad de Data Science.

En cuanto a la capacidad de análisis del estudiante, tampoco debería ser un inconveniente. Si bien es cierto que tener nociones en el lenguaje de programación R puede ser de gran ayuda, existen ejemplos de scripts de todos los análisis realizados durante el curso que ayudarán al estudiante a poder hacer una aproximación sin problemas a dicho lenguaje y ser capaz de resolver los ejercicios propuestos durante el semestre. Se dispondrá de un Laboratorio de R para resolver dudas relacionadas con el uso de dicho lenguaje de programación.

Además, como la metodología se basa en estudios de casos y la investigación autónoma de información, es aconsejable que el estudiante esté familiarizado con la búsqueda de fuentes de información, el análisis de la información cuantitativa y cualitativa, la capacidad de sintetizar y obtener conclusiones así como de poseer ciertas habilidades de comunicación escrita.

Por último, es importante poner de manifiesto que para aprovechar al máximo este curso se requiere que el estudiante tenga la capacidad de leer y comprender el inglés puesto que algunos materiales de referencia, así como de otros recursos, están principalmente en dicho idioma.

• Objetivos y competencias

Con esta asignatura se pretende que el estudiante adquiera conocimientos y habilidades en los siguientes campos:

1. Conocer cuáles con los principales ámbitos de aplicación del business analytics.
2. Reconocer la Minería de Textos como uno de los ámbitos con más aplicación en sistemas basados en Internet.
3. Entender las principales aportaciones que el business analytics puede hacer en entornos como las redes sociales entendidas como relaciones interpersonales de influencia y de centralidad.
4. Descubrir la creciente importancia de la gestión del prestigio en Internet y cómo business analytics puede aportar soluciones en este ámbito.
5. Ser capaz de desarrollar numéricamente algoritmos de clasificación, de segmentación y de asociaciones.
6. Entender la importancia de conceptos como la ganancia de información y las métricas de distancia que se encuentran en la base conceptual de los algoritmos de árboles de decisión, segmentación y clasificación respectivamente.
7. Adquirir competencias en el lenguaje de programación R, donde podrá desarrollar aplicaciones relacionadas con la base teórica de este material didáctico.
8. Ser capaz de utilizar R como herramienta para construir nuevos casos y poder así profundizar en el aspecto experimental de todo proceso de estudio.

• Contenidos

Esta asignatura está estructurada de acuerdo a dos grandes bloques. En el primero es donde se presentan todo un conjunto de metodologías y estándares y, por este motivo, se ha creído conveniente hacerlo común a las asignaturas de minería de datos y de business analytics. De esta forma el estudiante no se ve sobrecargado de trabajo y obtiene un material mucho más amplio que le servirá para poder entender mejor ambas asignaturas. El segundo bloque corresponde a los materiales específicos de la asignatura de fundamentos del data science.

En concreto, en el bloque de metodologías y estándares se trabajan aspectos distintos englobados en seis módulos:

• En el primer módulo se analiza el Data mining en un entorno informacional diferenciándolo del existente en un entorno operacional e introduciendo conceptos como el de los sistemas de soporte a la decisión (DSS), los procesos del entorno informacional y los de extracción de conocimiento así como el scoring de un modelo de data mining. Se presentan también los servicios de minería de datos dentro de la estructura tecnológica y los escenarios para el despliegue de modelos haciendo hincapié en las soluciones tecnológicas tanto de entornos de modelización integrados workbench como de servicios ligados al gestor de la base de datos.
• El segundo módulo está dedicado a la metodología CRISP-DM donde se definen conceptos relevantes como el de calidad total o el de stakeholder y se estudia la adecuación de la metodología al proyecto. En una primera etapa se realiza una comprensión del negocio contemplando los objetivos del negocio y de la minería de datos de acuerdo a la evaluación de la situación actual para realizar un plan de proyecto. Posteriormente se efectúa una comprensión de los datos (capturándolos, describiéndolos, explorándolos y realizando verificaciones de los mismos y gestionando su calidad) para prepararlos (seleccionándolos, realizando una limpieza de los mismos, construyendo así el juego de datos, integrándolos y formateándolos) con el fin de realizar un modelado con los mismos seleccionando una técnica específica y marcando una estrategia de verificación de la calidad de un modelo que se construye y se ajusta para proceder a la evaluación de dicho modelo contemplando la revisión del proceso siguientes pasos a seguir. El proceso culmina con un despliegue que incluye un plan de entrada en el proceso productivo, un seguimiento y mantenimiento, un informe final que permita una revisión del proyecto y la posibilidad de obtención de objeciones a la metodología.
• En el tercer módulo se estudia el modelo DELTA para la mejora continua del business analytics definiendo todos los posibles estados: no consideran el análisis, actividad analítica aislada, aspirante analítico, organización analítica y competidor analítico.
• El cuarto módulo presenta el estándar PMML, su cobertura y esquema: cabecera, diccionario de datos, esquema del modelo, agrupaciones, asociaciones, transformaciones, estadísticas, taxonomía y jerarquías y, finamente, output.
• En el quinto módulo se trabaja el gobierno de servicios IT realizando diversas definiciones básicas de servicio, sistema de información, proceso, grupos de proceso, procedimiento y se abordan distintos procesos: metodología PCA: Plan - Do - Check - Act, procesos de provisión de servicios, de relación, de resolución, de control y de entrega.
• El sexto y último módulo será de gran ayuda al estudiante de la especialidad ya que en él se realiza una excelente introducción al lenguaje R. Se define el proyecto R y se muestra cómo descargar e instalar R incluyendo algunas convenciones, la interfaz R-Studio, cómo instalar un paquete nuevo y las opciones de ayuda. Además se incluye todo un apartado dedicado a los comandos básicos de R: las funciones de acceso a ayuda, las utilizadas para gestionar el entorno de trabajo, las de selección de datos y las de agregación. También se incide en otros aspectos como las entradas y salidas de R, cómo trabajar con datos y los tipos de datos. El módulo finaliza con algunos ejemplos de juegos de datos para el contrato de suministro de combustibles, la segmentación de clientes, el estudio de aceptación de producto y la clasificación de clientes.

Como se acaba de comentar, el segundo bloque es el material propio de la asignatura y consta, a su vez, de tres módulos:

• El primero versa sobre la analítica de negocio y aborda temas que van desde las definiciones básicas business analítics y su encaje en la historia hasta sus principales aplicaciones o dominios de aplicación como el text mining, la opinion mining, el social network analysis y el reputation management. En este módulo se muestra cómo realizar una construcción de una matriz de términos con R.
• El segundo presenta algunos conceptos previos necesarios para poder comprender mejor los modelos y algoritmos como los conceptos de distancia y de similitud y cómo utilizar R para calcular la distancia de Mahalanobis y detectar valores outliers. El módulo finaliza profundizando en el tema de la ganancia de información matizando la utilidad de R para este fin.
• En el tercer módulo se abordan algunos de los modelos y algoritmos más relevantes. Se empieza mostrando la taxonomía de los algoritmos y continúa con una descripción del aprendizaje supervisado y no supervisado para finalizar con los modelos de asociaciones. En concreto se profundiza en los siguientes modelos y algoritmos:
  • Aprendizaje supervisado
    • Algoritmo K-NN
    • Árboles de decisión
  • Aprendizaje no supervisado
    • Clustering Dendrogramas
    • Clustering particional: Algoritmo k-means
    • Canopy clustering
  • Asociaciones
    • Esperanza y soporte
    • Algoritmo MS apriori

• Consulta de los recursos de aprendizaje de la UOC para la asignatura

• Información adicional sobre los recursos de aprendizaje y herramientas de apoyo

El material docente que se asocia a esta asignatura consta de dos grandes bloques:

1. El primer bloque versa sobre las metodologías y estándares en el contexto del data science. Con este material se pretende que el estudiante comprenda la necesidad y utilidad de una metodología para la gestión de proyectos de minería de datos (CRISP-DM), de un estándar de comunicación de resultados de modelos (lenguaje PMML), de un conjunto de buenas prácticas para el gobierno de servicios IT (norma ISO 20000), y de una visión estratégica y de negocio de las actividades analíticas en toda organización (modelo DELTA). El bloque finaliza con una introducción al lenguaje de programación R que se utiliza tanto para trabajar procesos de minería de datos como la preparación de los datos, el modelado y la evaluación del modelo.
2. El segundo bloque abre al estudiante el mejor de los escenarios posibles para aprender. La posibilidad de experimentar, de cambiar, de probar, de equivocarse y a veces de acertar, pero sobre todo de llegar a sus propias conclusiones, siempre desde una sólida base tanto teórica como práctica. La organización de este material didáctico consta de un cuerpo teórico y de otro práctico mediante fichas de trabajo basadas en el lenguaje de programación R. El análisis de datos exige tanto cimientos científicos como práctica y experimentación, por este motivo recomendamos al estudiante que vaya combinando durante el proceso de estudio, la comprensión teórica de los procesos y la práctica de los mismos en un entorno de programación R con casos de negocio simulados.

• Información adicional sobre la bibliografía y fuentes de información

Cuando sea necesario, se proporcionara bibliografía adicional a través de los enunciados de las actividades o de los espacios de comunicación oportunos. Además, el laboratorio de R asociado también incluye bibliografía y enlaces de interés.

• Metodología

Durante la primera parte del curso se repasan las metodologías y estándares profesionales y científicos que se usan en analítica de negocio. Posteriormente, se presenta los conceptos y tipología de análisis de diferentes tipos de datos, los modelos y algoritmos de uso más frecuente de segmentación, clasificación y asociación.

En esta asignatura el estudiante trabaja principalmente con R. Esta asignatura conlleva asociado un laboratorio de R (y también Python) donde podréis encontrar recursos relacionados con ambos lenguajes de programación, orientados a la realización de las actividades prácticas de la asignatura. En el laboratorio encontraréis soporte para la instalación de ambos entornos, ejemplos resueltos de diferentes ejercicios relacionados con el ciclo de vida de los datos, como por ejemplo leer ficheros en diferentes formatos, cómo preparar los datos, crear y evaluar modelos, etc. El laboratorio no es una asignatura al uso, con actividades evaluables y entregas, es un recurso docente más que ponemos a vuestra disposición para avanzar en la resolución de las actividades prácticas propuestas en esta y otras asignaturas. El laboratorio dispone de un calendario que se usa como metáfora del ciclo de vida de los datos, no como un conjunto de actividades a realizar, podéis consultar cualquier aspecto relacionado con la captura, lectura, preprocesado, análisis y visualización de los datos en cualquier momento. Esperamos que este espacio sea enriquecedor para vuestra formación en este ámbito.

Al inicio del semestre y cada vez que se cambie de tema, el consultor recordará los objetivos y competencias a lograr para que el estudiante sepa qué se espera de él en todo momento. Además, se detallará el modelo de aprendizaje y de evaluación para cada parte y se propondrán algunos debates acerca de distintos ejemplos y lecturas complementarias que pueden estar o no integrados dentro de algunas de las actividades de evaluación continua de la asignatura. No obstante, la participación en la discusión de los debates planteados es obligatoria. También se recomienda el seguimiento y participación en todas las discusiones y preguntas publicadas en el foro del aula.

Más concretamente, recomendamos el siguiente ciclo de estudio:

• Leer y estudiar cuidadosamente cada módulo de aprendizaje y el material adicional recomendado durante el período asignado al módulo, asociado a la prueba de evaluación continua (PEC) correspondiente. De esta forma se puede ver en la práctica la aplicación de la teoría, y viceversa.
• Participar en el foro, iniciar debates formales o publicar informalmente mensajes y opiniones. El método de enseñanza promueve la colaboración entre los miembros del grupo. El profesor en el aula participa excepcionalmente para resolver dudas pendientes o para cerrar el debate en partes o en su totalidad.
• Comenzar a preparar las pruebas y/o actividades con antelación. Se requerirá la consulta de diferentes materiales y es imprescindible justificar la solución o las soluciones propuestas. Una buena argumentación es más importante para la evaluación que tener una respuesta correcta, ya que pone de manifiesto los conocimientos que posee el estudiante.

• Información sobre la evaluación en la UOC

El proceso de evaluación se fundamenta en el trabajo personal de cada estudiante y presupone la autenticidad de la autoría y la originalidad de los ejercicios realizados.

La falta de autenticidad en la autoría o de originalidad de las pruebas de evaluación; la copia o el plagio; el intento fraudulento de obtener un resultado académico mejor; la colaboración, el encubrimiento o el favorecimiento de la copia, o la utilización de material o dispositivos no autorizados durante la evaluación, entre otras, son conductas irregulares que pueden tener consecuencias académicas y disciplinarias graves.

Por un lado, si se detecta alguna de estas conductas irregulares, puede comportar el suspenso (D/0) en las actividades evaluables que se definan en el plan docente - incluidas las pruebas finales - o en la calificación final de la asignatura, ya sea porque se han utilizado materiales o dispositivos no autorizados durante las pruebas, como redes sociales o buscadores de información en internet, porque se han copiado fragmentos de texto de una fuente externa (internet, apuntes, libros, artículos, trabajos o pruebas del resto de estudiantes, etc.) sin la correspondiente citación, o porque se ha practicado cualquier otra conducta irregular.

Por el otro, y de acuerdo con las normativas académicas, las conductas irregulares en la evaluación, además de comportar el suspenso de la asignatura, pueden dar lugar a la incoación de un procedimiento disciplinario y a la aplicación, si procede, de la sanción que corresponda.

La UOC se reserva la potestad de solicitar al estudiante que se identifique o que acredite la autoría de su trabajo a lo largo de todo el proceso de evaluación por los medios que establezca la universidad (síncronos o asíncronos). A estos efectos, la UOC puede exigir al estudiante el uso de un micrófono, una cámara u otras herramientas durante la evaluación y que este se asegure de que funcionan correctamente.

La verificación de los conocimientos para garantizar la autoría de la prueba no implicará en ningún caso una segunda evaluación.

• Consulta del modelo de evaluación

• Evaluación Contínua

Este curso se evalúa únicamente a través de la evaluación continua porque no hay examen final presencial. Todas las actividades tanto teóricas como prácticas, los casos prácticos y la participación en las discusiones en el foro virtual son obligatorios.

La evaluación continua consta de diversas actividades que tienen como objetivo combinar el aprendizaje y la reflexión, desde un punto de vista tecnológico, sobre los fundamentos del análisis de datos, su ciclo de vida en la empresa (desde el reconocimiento de problemas hasta el análisis de la información producida) y las diferentes modalidades para su implantación, sea ésta integrada con los sistemas corporativos o por separado.

En estas actividades, las habilidades anteriormente descritas entran en juego. La evaluación continua presenta:

• Un debate al inicio de curso. La participación en calidad y cantidad en éste y otros debates que se propongan también influye en la calificación final del semestre.
• Cuatro pruebas de evaluación continua (PEC), con el objetivo de evaluar los conocimientos y la reflexión sobre las experiencias profesionales.

Advertencia: Es importante mencionar que la resolución de las pruebas, casos y prácticas propuestas se debe realizar de forma individual, excepto cuando se indique lo contrario. El equipo docente tendrá en cuenta la lógica de las respuestas, el pensamiento individual y la capacidad de expresarse por escrito. Cualquier fuente externa usada para resolver las cuestiones y casos deberá indicarse claramente y ser referenciada adecuadamente. Si no fuera el caso, las actividades se evaluarán con una D. Por otro lado, siempre a criterio de la Universidad, el incumplimiento de esta obligación será comunicada a la gestión de los estudios, con el fin de evaluar si el estudiante está autorizado para aprobar cualquier otra materia o mediante una evaluación continua en el semestre o el siguiente.

Sistema de calificación

Cada actividad (PEC) tendrá una nota individual cualitativa: A, B, C+, C- o D.

La nota de la evaluación continua, que es un promedio de cada una de las actividades por módulo, será cualitativa y cuantitativa (sin decimales): A = 9/10 o B = 7/8 o C + = 5/6 o C- = 3/4 o D = 0/1/2 o no presentado (NP) = 0.

La calificación final será cuantitativa con un decimal.

Criterio de evaluación general basado en evidencias

APROBADO

• Ha estudiado, entendido el caso y resuelto los problemas.
• Ha leído la teoría y la ha aplicado correctamente. Proporciona evidencia de dicho conocimiento y actividad.
• Se presentan correctamente las actividades y las participaciones sin faltas de ortografía y/o escritura.

NOTABLE

• Todas las anteriores.
• Conoce el tema, es capaz de vincularlo con otras materias y sacar conclusiones.
• Aplica la teoría y la experiencia práctica en el contexto de su trabajo y/o de la vida real.
• Buena presentación y calidad en la escritura.

EXCELENTE

• Todas las anteriores.
• Realiza aportaciones y proporciona nuevas soluciones creativas e innovadoras.
• Muestra evidencia rigurosa y crítica.

Además de estos criterios generales usados a lo largo del semestre, pueden añadirse otros criterios específicos para evaluar algunas de las habilidades generales o particulares. Éstos serán informados, si procede, en el enunciado de las actividades.

Cualquier actividad entregada fuera de plazo (más allá de las 23:59 de la fecha límite propuesta, pero antes de la fecha de publicación de notas/publicación de la solución), tendrá una penalización. La nota obtenida en la actividad se multiplicará por un factor de corrección de 0.7. Es decir, nota final de la actividad = nota obtenida * 0.7, siendo la nota máxima que se podrá obtener de 7 sobre 10.

Cualquier actividad entregada a partir de la fecha de publicación de notas o publicación de la solución se considerará no presentada y contará como un 0.

Recuperación de las Pruebas de Evaluación Continua (PEC)

Existe la posibilidad de recuperación de una de las actividades/PECs que no se haya entregado o aprobado mediante un ejercicio que deberá ser acordado (tanto en contenido como en los aspectos ligados al calendario) con el profesor en el aula, siempre con anterioridad.

Detalles del proceso de recuperación:

• No existe una PEC de recuperación final. Se podrá recuperar solamente una PEC de forma individual, de acuerdo a lo que se establezca con el profesor.
• Puede optar a la recuperación cualquier estudiante que: (1) no haya presentado alguna PEC dentro del plazo de entrega definido o (2) tenga una nota inferior a 5. Es decir, cualquier estudiante que tenga una nota de C-, D o NP en dicha actividad.

• Evaluación final

Esta asignatura únicamente se puede superar a través de la realización y entrega de un mínimo de 3 de las PEC propuestas a lo largo del semestre.

La ponderación de la nota final de evaluación continua (EC) se obtiene de la siguiente forma:

• 10% debate + 20% PEC1 + 25% PEC2 + 25% PEC3 + 20% PEC4

Además, es importante destacar:

• Aquellos estudiantes que únicamente hayan entregado una PEC o ninguna tendrán como nota final de evaluación continuada un no presentado.
• Las PEC entregadas que no incluyan al menos un 25% de los ejercicios propuestos resueltos, serán consideradas como no presentadas.
• Las PEC no presentadas computan como un 0 en el cálculo ponderado de la nota final de EC.

Por otra parte, a lo largo del semestre, el consultor puede proponer discusiones o debates formales. La participación en calidad y cantidad en dichos debates también puede influir en la calificación final del semestre.

• Feedback

En las fechas previstas en la planificación docente de la asignatura, tendréis disponibles los enunciados de las pruebas de evaluación continua.

Una vez finalizado el plazo de entrega, podréis acceder a las soluciones a través de la actividad correspondiente. La solución a las actividades en forma de respuestas orientativas constituye una herramienta importante de aprendizaje. Cuando una prueba teórica no tenga una solución única, se publicarán y se comentarán aquellas soluciones que puedan ser correctas. Es muy recomendable que contrastéis las respuestas orientativas con vuestras propias respuestas y detectéis así los aciertos y los errores cometidos. De esta forma, realizáis una tarea de autoevaluación y de aprendizaje fundamental para garantizar el adecuado seguimiento de la asignatura.

Mediante el registro de evaluación continua, accederéis a la nota de cada prueba de evaluación. El plazo habitual y aproximado para introducir las calificaciones es de una semana a contar desde el cierre del plazo de entrega de la actividad correspondiente. No obstante, cada PEC tiene su temporización que podéis observar en el apartado de fechas clave de este plan docente. El profesor en el aula informará en el Tablón de la publicación de las calificaciones. Al cabo de unos días -si procede- se publicará en el tablón de cada aula un feedback grupal de los errores más frecuentes que se hayan detectado en la tarea de corrección de las actividades entregadas en el conjunto de las aulas de la asignatura. Este feedback grupal no tiene porqué contener únicamente los errores más comunes. El profesor en el aula puede optar por la publicación de una parte o la totalidad de las actividades destacadas que han realizado algunos estudiantes a modo de buenas prácticas.

Por otro lado, y en el mismo registro de evaluación continua (globo junto a la nota), el profesor en el aula también proporcionará un feedback personalizado a todos aquellos estudiantes que considere oportuno para su proceso de aprendizaje y seguimiento de la asignatura. Es decir, se seguirá con atención a aquellos estudiantes en riesgo de no superar el curso, según su evolución.

En todo caso, cualquier estudiante puede pedir aclaraciones o formular dudas sobre su prueba en particular a su profesor en el aula. Por el hecho de ser una evaluación individual y continuada, se recomienda hacer esta petición durante los siete días posteriores a la publicación de la solución de cada prueba sobre la que tengáis dudas o necesidades de aclaración y no esperar a las calificaciones medias o finales.

También es posible ponerse en contacto con el profesor responsable de la asignatura, si los comentarios y sugerencias recibidos no son satisfactorios o no se está de acuerdo con ellos.