• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
2023/2024

Бизнес-аналитика как инструмент эффективного управления

Статус: Маго-лего
Когда читается: 2 модуль
Охват аудитории: для всех
Язык: русский
Кредиты: 3
Контактные часы: 24

Программа дисциплины

Аннотация

Дисциплина "Бизнес-аналитика и ИИ как инструмент эффективного управления" дает основание и аргументацию к принятию обоснованных решений в бизнесе. Рассмотрены кейсы, методы и инструменты, раскрывающие преимущества БА для повышения эффективности бизнеса. Аналитика — это то, что необходимо каждому бизнесу, чтобы оставаться конкурентоспособным в современной среде, наполненной данными. Курс посвящен анализу данных как популярному подходу для получения информации из цифрового мира. Задания курса предназначены для того, чтобы научить студентов использовать ресурсы открытых данных и службы BI для извлечения, манипулирования, анализа и визуализации данных с конечной целью принятия более эффективных решений на основе данных. Курс преподается с использованием комбинации лекций, упражнений по обработке данных, анализа ситуаций, дискуссий, викторин и индивидуальных домашних заданий. Лекции раскрывают основные теоретические аспекты бакалавриата и дополняются дополнительными источниками для чтения. Короткие викторины в качестве оценочных мероприятий будут проводиться после каждой теоретической части, чтобы убедиться в усвоении материала. Упражнения предназначены для освоения студентами практических методов и инструментов бакалавриата с использованием различных типов источников (наборы данных, онлайн-данные, открытые данные), данных (структурированных, полуструктурированных, текстовых данных), для изучения возможностей настольных ПК и технологий SaaS. . В курс включен кейс, основанный на реальных данных решения бизнес-задач.
Цель освоения дисциплины

Цель освоения дисциплины

  • Знать аналитические потребности, возникающие в задачах управления организацией, а также, классификацию возникающих в различных видах человеческой деятельности данных и математические методы извлечения знаний из этих данных
  • Уметь формализовать задачу из предметной области, сформулировать требования к данным, подобрать адекватные методы их анализа, выполнить расчеты и интерпретировать полученные результаты
  • Иметь навыки самостоятельного анализа данных, возникающих в ходе профессиональной деятельности
Планируемые результаты обучения

Планируемые результаты обучения

  • Владеть навыками подготовки аналитических материалов по результатам исследовательских и аналитических проектов для информационного обеспечения принятия управленческих решений
  • Владеть навыками применения современных техник и методик сбора данных, продвинутых методов их обработки и анализа, методами количественного и качественного анализа для принятия управленческих решений
  • Умеет извлекать данные из источников, анализировать качество данных, обнаруживать статистические особенности данных и выявлять аномалии
  • Уметь обрабатывать эмпирические и экспериментальные данные
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Предварительный анализ данных
  • Методы и модели анализа данных
  • Представление результатов анализа данных
Элементы контроля

Элементы контроля

  • неблокирующий Аудиторная работа
    Посещаемость студента и выполнение домашних заданий
  • неблокирующий Групповой проект
    Выполнение группового проекта предусматривает построение моделей анализа реальных данных, выявление регулярных выражений, построение аналитических срезов и фильтров, выделение корреляций между срезами, отображение взаимосвязей и визуализацию итогов анализа в BI системе
  • неблокирующий Экзамен
    Экзаменационная работа представляет из себя тест с вопросами закрытого типа. Форма экзамена: Экзамен проводится в письменной форме. Платформа проведения: Экзамен проводится на платформе Smart LMS. Для участия в экзамене студент обязан: Не позднее 7 дней до проведения экзамена проверить работоспособность компьютерного оборудования, необходимого для сдачи экзамена и убедиться в соответствие имеющегося оборудования требованиям к компьютеру для участия в экзамене на платформе Smart LMS; Войти на платформу Smart LMS под личной учетной записью (используется аккаунт студента @edu.hse.ru); Перед началом экзамена проверить скорость работы сети Интернет (для наилучшего результата рекомендуется подключение компьютера к сети через кабель); Подготовить необходимые для проведения экзамена инструменты: ручка, листы бумаги, калькулятор и т. д.; Отключить в диспетчере задач компьютера иные приложения, кроме браузера, в котором будет выполняться вход на платформу Smart LMS. В случае, если одно из необходимых условий участия в экзамене невозможно выполнить, необходимо за 2 недели до даты проведения экзамена проинформировать об этом преподавателя или сотрудника учебного офиса для принятия решения об участии студента в экзаменах. Во время экзамена студентам запрещено: Пользоваться конспектами, учебниками, прочими учебными материалами; Покидать место выполнения экзаменационного задания; Пользоваться умными гаджетами (смартфон, планшет и др.); Привлекать посторонних лиц для помощи в проведении экзамена, разговаривать с посторонними во время выполнения заданий; Вслух громко зачитывать задания. Во время экзамена студентам разрешено: Использовать бумагу, ручку для ведения записей, расчетов; Использовать калькулятор для ведения расчетов; Запрашивать у преподавателя дополнительную информацию, связанную с выполнением экзаменационного задания; Взаимодействовать с другими студентами по разрешению преподавателя. В случае долговременного нарушения связи с платформой Smart LMS во время выполнения экзаменационного задания, студент должен уведомить об этом преподавателя, зафиксировать факт потери связи с платформой (скриншот, ответ от провайдера сети Интернет) и обратиться в учебный офис с объяснительной запиской о случившемся для принятия решения о пересдаче экзамена.
Промежуточная аттестация

Промежуточная аттестация

  • 2023/2024 учебный год 2 модуль
    0.25 * Аудиторная работа + 0.45 * Групповой проект + 0.3 * Экзамен
Список литературы

Список литературы

Рекомендуемая основная литература

  • Adam Aspin. (2020). Pro Power BI Desktop : Self-Service Analytics and Data Visualization for the Power User: Vol. Third edition. Apress.
  • Aurélien Géron. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow : Concepts, Tools, and Techniques to Build Intelligent Systems: Vol. Second edition. O’Reilly Media.
  • Dr. Ossama Embarak. (2018). Data Analysis and Visualization Using Python : Analyze Data to Create Visualizations for BI Systems. Apress.
  • Маккинни, У. Python и анализ данных / У. Маккинни , перевод с английского А. А. Слинкина. — 2-ое изд., испр. и доп. — Москва : ДМК Пресс, 2020. — 540 с. — ISBN 978-5-97060-590-5. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/131721 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
  • Миркин, Б. Г.  Введение в анализ данных : учебник и практикум / Б. Г. Миркин. — Москва : Издательство Юрайт, 2020. — 174 с. — (Высшее образование). — ISBN 978-5-9916-5009-0. — Текст : электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/450262 (дата обращения: 27.08.2024).

Рекомендуемая дополнительная литература

  • Joshua N. Milligan. (2019). Learning Tableau 2019 : Tools for Business Intelligence, Data Prep, and Visual Analytics, 3rd Edition. Birmingham: Packt Publishing. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=2092866
  • Кондрашов, Ю. Н., Язык SQL. Сборник ситуационных задач по дисциплине «Базы данных» : учебно-практическое пособие / Ю. Н. Кондрашов. — Москва : Русайнс, 2021. — 125 с. — ISBN 978-5-4365-8669-4. — URL: https://book.ru/book/942020 (дата обращения: 27.08.2024). — Текст : электронный.
  • Рашка, С. Python и машинное обучение: крайне необходимое пособие по новейшей предсказательной аналитике, обязательное для более глубокого понимания методологии машинного обучения : руководство / С. Рашка , перевод с английского А. В. Логунова. — Москва : ДМК Пресс, 2017. — 418 с. — ISBN 978-5-97060-409-0. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/100905 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
  • Шарден, Б. Крупномасштабное машинное обучение вместе с Python : учебное пособие / Б. Шарден, Л. Массарон, А. Боскетти , перевод с английского А. В. Логунова. — Москва : ДМК Пресс, 2018. — 358 с. — ISBN 978-5-97060-506-6. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/105836 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.

Авторы

  • Бекларян Армен Левонович