“Lo bueno de la ciencia es que es cierta independientemente de si crees o no en ella” (Neil deGrasse Tyson)

Background

ÁREAS PRINCIPALES DE EXPERIENCIA

  • Machine Learning 
  • Análisis Estadístico
  • Investigación de Mercados
  • Geomarketing
  • Econometría
  • Comportamiento del Consumidor
  • Marketing
  • Gestión de Proyectos
  • Análisis Estratégico
  • Análisis de Inversiones



FORMACIÓN
  • Máster en Deep Learning por la UAH (2019)
  • Complementos de Formación para la Investigación por la UDIMA (2014)
  • Máster en Dirección Comercial y Marketing por la UDIMA y el CEF (2013)
  • Máster en Dirección Financiera y Control por CESMA, Escuela de Negocios (2011)
  • Especialista Universitario en Comercio Exterior por la UNED (2010)
  • Licenciado en Administración y Dirección de Empresas especializado en Dirección Comercial por la UCM (2009)
  • Diplomado en Ciencias Empresariales por la UCM (2007)




DOCENCIA IMPARTIDA:
  • "Experto en Data Science para el Control de Riesgos en el Diseño y Mantenimiento de Obras Lineales" UPM (2023 - Act)
  • "Seminario de Machine Learning aplicado a Negocio". Grado en Inteligencia Analítica y de Negocio. UV (2022)
  • "Análisis de Datos". Máster en Dirección de Empresas Constructoras e Inmobiliarias. UPM (2017 - 2019)
  • "Responsabilidad Social Corporativa en la Actividad Financiera". Master en Recursos Humanos y Responsabilidad Social Corporativa. ESERP (2013-2016 )
  • "Banca de inversiones. Análisis y evaluaciones de inversiones. Selección de proyectos y rentabilidad de capitales". Máster en Dirección Financiera, Banca y Bolsa. ESERP (2014)
PONENCIAS:
  • "Tu camino como data scientist". Varias Instituciones (2022 - act.)
  • "Data Science Aplicado a Negocio". Varias Instituciones (2019 - act.)
  • "Los Sistemas Inmunes Artificiales en la Detección del Fraude Bancario". RSME 2017 (Febrero 2017)
  • "Los geoservicios en las aplicaciones móviles". Academic ITGSM 2014. ESNE (Junio 2014)



PUBLICACIONES
  • Wagner, O.F. "Notas de La Responsabilidad Social Corporativa en la Actividad Financiera". ESERP. (Diciembre 2012)
MEMBRESIAS:
  • Colegiado en el Ilustre Colegio de Economistas de Madrid (CEMAD-26595)
    • Comisión de Fintech del Colegio de Economistas de Madrid 
    • Comisión de Empresa del Colegio de Economistas de Madrid
    • Órgano Especializado de Marketing y Comercialización del Consejo General de Economistas 
    • Registro de Economistas Docentes e Investigadores de España (REDI-98) 
    • Observatorio de Economía de la Conducta
  • Socio Numerario en Asociación Española para la Inteligencia Artificial (AEPIA-1974)
  • Socio Individual en Asociación Nacional de Big Data & Analytics (ANBAN)
  • Miembro fundador de Comunidad R Hispano
  • Miembro de Comité Científico de las V Jornadas de Usuarios de R 
  • Miembro de Comité Científico de las IV Jornadas de Usuarios de R 
OTROS CURSOS Y SEMINARIOS
  • Matemáticas, ¿Para qué? Escuela de Verano UCM (2017)
  • Distintos cursos y seminarios sobre matemáticas, estadística, investigación y marketing

Entradas populares de este blog

Estrategias de Pricing Dinámico Utilizando Machine Learning

El pricing dinámico, o fijación de precios dinámica, es una estrategia que ajusta los precios en tiempo real en respuesta a la demanda del mercado, la competencia, y otros factores. Con el avance del machine learning, las empresas pueden optimizar sus estrategias de pricing dinámico de manera más efectiva, maximizando ingresos y mejorando su competitividad. Este artículo analiza cómo el machine learning puede optimizar las estrategias de pricing dinámico y las herramientas y técnicas utilizadas para implementar pricing dinámico basado en datos. 1. Introducción al Pricing Dinámico y Machine Learning El pricing dinámico es una técnica que ajusta los precios de productos y servicios en función de variables como la demanda, la competencia, la disponibilidad del inventario y el comportamiento del consumidor. El machine learning permite a las empresas analizar grandes volúmenes de datos y tomar decisiones de precios más precisas y en tiempo real, mejorando así la capacidad de respuesta al ...
Continúa »

Aplicaciones Estratégicas: Cuándo y Cómo Implementar Inteligencia Artificial e Inteligencia Artificial Generativa en tu Negocio

La inteligencia artificial (IA) y la inteligencia artificial generativa (IA generativa) son dos ramas importantes de la tecnología moderna que tienen aplicaciones diversas y significativas en múltiples sectores. A continuación, se presentan consideraciones sobre cuándo utilizar cada una de estas tecnologías. Inteligencia Artificial (IA) La IA, en términos generales, se refiere a la simulación de procesos de inteligencia humana por parte de máquinas, especialmente sistemas informáticos. Esto incluye aprendizaje, razonamiento, corrección de errores y comprensión del lenguaje natural. La IA puede subdividirse en IA débil (o específica), que está diseñada para tareas específicas (p.ej. un sistema de recomendación), y la IA fuerte (o general), que tiene la capacidad de realizar cualquier tarea cognitiva humana (p.ej. un coche autónomo). Cuándo usar IA Automatización de Procesos : Utilizar IA para automatizar tareas repetitivas y monótonas, como el procesamiento de datos, la clasificac...
Continúa »

La Revolución de la Producción: Cómo la IA Está Transformando la Industria

En los últimos meses, hemos visto cómo la inteligencia artificial (IA) sigue avanzando a pasos agigantados, impactando diversas industrias de maneras antes inimaginables. Uno de los sectores donde estos avances se hacen más evidentes es el industrial, donde la automatización impulsada por la IA está redefiniendo los procesos productivos, mejorando la eficiencia y la calidad en la fabricación. Este fenómeno plantea tanto oportunidades como desafíos sobre el futuro del trabajo y la adaptabilidad social. Optimización de Procesos Productivos La automatización en la producción no es un concepto nuevo; sin embargo, la integración de la IA ha llevado esta idea a un nivel completamente nuevo. Algoritmos avanzados y sistemas de aprendizaje automático permiten a las máquinas analizar vastas cantidades de datos en tiempo real, identificar patrones y tomar decisiones autónomas para optimizar cada aspecto de la producción. Esto incluye la gestión de inventarios, la programación de máquinas, la de...
Continúa »