Бакалавриат
2021/2022![Цель освоения дисциплины](/f/src/global/i/edu/objectives.svg)
![Планируемые результаты обучения](/f/src/global/i/edu/results.svg)
![Содержание учебной дисциплины](/f/src/global/i/edu/sections.svg)
![Элементы контроля](/f/src/global/i/edu/controls.svg)
![Промежуточная аттестация](/f/src/global/i/edu/intermediate_certification.svg)
![Список литературы](/f/src/global/i/edu/library.svg)
Анализ данных в бизнесе
Статус:
Курс по выбору (Экономика)
Направление:
38.03.01. Экономика
Кто читает:
Базовая кафедра компании SAS
Где читается:
Факультет экономических наук
Когда читается:
3-й курс, 3, 4 модуль
Формат изучения:
без онлайн-курса
Охват аудитории:
для всех кампусов НИУ ВШЭ
Преподаватели:
Воробьева Мария Сергеевна,
Дудников Константин Эдуардович,
Лапшин Виктор Александрович,
Миронов Александр Владимирович,
Петровский Михаил Игоревич,
Пятов Алексей Александрович,
Романенко Алексей Александрович,
Тараканов Георгий Иванович,
Титова Наталия Николаевна
Язык:
русский
Кредиты:
6
Контактные часы:
64
Программа дисциплины
Аннотация
Интеллектуальный анализ данных находит всё большее применение в различных отраслях экономики. Совершенствуются математические методы, разрабатываются новые модели и подходы для решения прикладных бизнес задач. При этом практическое применение методов интеллектуального анализа данных в бизнесе требует специализированных знаний и навыков. Целью данного курса является рассмотрение современных подходов, инструментов и методов интеллектуального анализа данных, применяемых в таких прикладных областях как клиентская аналитика, управление рисками и организация розничной торговой сети. Обучение построено на изучении не только соответствующих математических моделей и алгоритмов, но и на рассмотрении примеров их реального применения в этих областях, что позволит студентам изучить весь жизненный цикл аналитической модели, начиная с этапа формирования требований и подготовки данных и заканчивая этапом внедрения и эксплуатации.
Цель освоения дисциплины
- Получение представления об особенностях задач анализа данных в бизнесе с учетом специфики разных отраслей экономики, знакомство с конкретными примерами бизнес-задач, использующих анализ данных
- Знакомство со специализированным программным обеспечением SAS для решения поставленных задач в рамках курса.
Планируемые результаты обучения
- Использовать программные средства загрузки, обработки, визуализации и интерактивно-го исследования данных, а также строить и применять на практике описательные и про-гнозные модели интеллектуального анализа данных и машинного обучения с использованием
- Использовать программные средства загрузки, обработки, визуализации и интерактивно-го исследования данных, а также строить и применять на практике описательные и про-гнозные модели интеллектуального анализа данных и машинного обучения с использованием
- Ключевые показатели эффективности и основные метрики операционной и финансовой деятельности, используемые в разных отраслях экономики, отраслевую и функциональ-ную специфику реализации задач анализа данных в бизнесе.
- Математические методы и модели для решения задач анализа данных в бизнесе, возни-кающих в области клиентской аналитики, в розничных сетях продаж товаров и при анализе и оценке рисков, принципы проверки и представления результата решения этих задач.
- Основные формулировки, особенности и характеристики прикладных задач анализа дан-ных в бизнесе, возникающих в области клиентской аналитики, в розничных сетях про-даж товаров и при анализе и оценке рисков.
- Оформлять и представлять свои результаты в виде бизнес-презентации.
- Семейство программных технологий SAS для обработки и анализа данных, включая про-граммные продукты SAS для загрузки и предобработки данных, интерактивного исследования данных, построения и применения прогнозных и описательных моделей
- Формулировать, решать и оценивать результат решения задач анализа данных в бизнесе, возникающих в области клиентской аналитики, в розничных сетях продаж товаров и при анализе и оценке рисков и в других отраслях экономики.
Содержание учебной дисциплины
- Клиентская аналитика. Лекция 1.1. Введение в клиентскую и онлайн аналитику
- Клиентская аналитика. Семинар 1.1. Введение в клиентскую и онлайн аналитику
- Клиентская аналитика. Лекция 1.2. Построение прогнозных моделей и визуализация данных
- Клиентская аналитика. Семинар 1.2. Построение прогнозных моделей и визуализация данных
- Текстовая аналитика. Лекция 2.1. Введение в текстовую аналитику
- Текстовая аналитика. Семинар 2.1. Введение в текстовую аналитику
- Текстовая аналитика. Лекция 2.2. Построение прогнозных моделей в текстовой аналитике
- Текстовая аналитика. Семинар 2.2. Построение прогнозных моделей в текстовой аналитике
- Задачи анализа данных в розничных сетях продаж товаров. Лекция 3.1. Введение в задачи анализа данных в ритейле. Прогнозирование спроса
- Задачи анализа данных в розничных сетях продаж товаров. Семинар 3.1. Введение в задачи анализа данных в ритейле. Прогнозирование спроса
- Задачи анализа данных в розничных сетях продаж товаров. Лекция 3.2. Описательная аналитика в Ритейл: кластеризация магазинов, сегментация товаров, восстановление спроса
- Задачи анализа данных в розничных сетях продаж товаров. Семинар 3.2. Описательная аналитика в Ритейл: кластеризация магазинов, сегментация товаров, восстановление спроса
- Задачи анализа данных в розничных сетях продаж товаров. Лекция 3.3. Задачи оптимизации запасов товаров в ритейл-сети, оптимизация цен, оптимизация ассортимента
- Задачи анализа данных в розничных сетях продаж товаров. Семинар 3.3. Задачи оптимизации запасов товаров в ритейл-сети, оптимизация цен, оптимизация ассортимента
- Основы оценки рисков. Лекция 4.1. Введение в кредитные риски
- Основы оценки рисков. Семинар 4.1. Введение в кредитные риски
- Основы оценки рисков. Лекция 4.2. Введение в рыночные риски
- Основы оценки рисков. Семинар 4.2. Введение в рыночные риски
- Основы оценки рисков. Лекция 4.3. Валидация моделей
- Основы оценки рисков. Семинар 4.3. Валидация моделей
- ModelOps. Лекция 5. ModelOps - Операционализация моделей машинного обучения
- ModelOps. Семинар 5. ModelOps - Операционализация моделей машинного обучения
- Техника презентации
- Отраслевая специфика и прикладные аспекты задач анализа данных
- Командный проект
Элементы контроля
- Контрольная работа №1
- Контрольная работа №2
- Контрольная работа №3
- Практический проект (Командный проект)
- ЭкзаменЭкзамен проводится дистанционно в формате компьютерного теста. Ссылка на тест будет выслана студентам перед началом экзамена.
Промежуточная аттестация
- 2021/2022 учебный год 4 модуль0.2 * Экзамен + 0.1 * Контрольная работа №1 + 0.1 * Контрольная работа №2 + 0.5 * Практический проект (Командный проект) + 0.1 * Контрольная работа №3
Список литературы
Рекомендуемая основная литература
- Big data analytics : turning big data into big money, Ohlhorst, F., 2013
- Высшая математика для экономистов : учебник для вузов, Кремер, Н. Ш., 2004
- Математическая статистика : учеб. пособие для вузов, Ивченко, Г. И., 1992
- Ораторское искусство : учеб. пособие для вузов, Каверин, Б. И., 2004
- Ораторское искусство и деловое общение : учеб. пособие для вузов, Баева, О. А., 2000
- Теория вероятностей и математическая статистика : учебник для вузов, Колемаев, В. А., 2003
- Теория вероятностей и математическая статистика в задачах : более 360 задач и упражнений, Борзых, Д. А., 2020
- Теория вероятностей и математическая статистика. Базовый курс с примерами и задачами : учебник для вузов, Кибзун, А. И., 2013
Рекомендуемая дополнительная литература
- Advanced management accounting, Kaplan, R. S., 2014
- Data analysis using SAS, Peng, C. Y. J., 2009
- МСФО: точка зрения КПМГ : практическое руководство по Международным стандартам финансовой отчетности.2011/2012. В двух частях. Ч.ч. 1,2.Пер. с англ., , 2012