We use cookies in order to improve the quality and usability of the HSE website. More information about the use of cookies is available here, and the regulations on processing personal data can be found here. By continuing to use the site, you hereby confirm that you have been informed of the use of cookies by the HSE website and agree with our rules for processing personal data. You may disable cookies in your browser settings.

  • A
  • A
  • A
  • ABC
  • ABC
  • ABC
  • А
  • А
  • А
  • А
  • А
Regular version of the site

Business Analytics & AI as a Tool for Effective Management

2024/2025
Academic Year
RUS
Instruction in Russian
3
ECTS credits
Course type:
Compulsory course
When:
1 year, 3 module

Instructor


Pisarenko, Veronica

Программа дисциплины

Аннотация

В условиях современного data-driven мира аналитика становится ключевым элементом для поддержания конкурентоспособности любого бизнеса. Дисциплина "Бизнес-аналитика и ИИ как инструменты эффективного управления" направлена на получение навыков использования аналитики для принятия взвешенных бизнес-решений. В рамках курса рассматриваются реальные кейсы, методы и инструменты, подчеркивающие преимущества бизнес-аналитики (БА) применительно к маркетинговым процессам организации. Курс сосредоточен на анализе данных как актуальном подходе к извлечению информации. Задания направлены на обучение студентов навыкам извлечения, обработки, анализа и визуализации различных типов данных (структурированных, полуструктурированных и текстовых) и источников (наборы данных, онлайн-ресурсы, открытые данные), что способствует принятию более обоснованных решений. Обучение проходит в формате сочетания лекций, практических заданий, анализа ситуаций, дискуссий и индивидуальных домашних заданий. Лекции охватывают ключевые теоретические аспекты курса и дополняются дополнительными источниками для углубленного изучения. Важной частью программы является выполнение командного проекта, основанного на реальных данных, с целью решения конкретной бизнес-задачи.
Цель освоения дисциплины

Цель освоения дисциплины

  • Понимание основ бизнес-аналитики: изучить ключевые концепции и методы бизнес-аналитики, включая сбор, обработку и анализ данных.
  • Получение практических навыков работы с данными: извлекать, обрабатывать и визуализировать данные из различных источников, включая открытые данные и базы данных.
  • Применение инструментов BI: освоить использование аналитических инструментов для создания отчетов и дашбордов, позволяющих принимать обоснованные решения.
  • Понять основные принципы и технологии ИИ, а также их применение в контексте бизнес-аналитики.
  • Оценка эффективности решений: развить навыки оценки эффективности принятых бизнес-решений на основе аналитических данных.
Планируемые результаты обучения

Планируемые результаты обучения

  • Студенты освоят базовые концепции и термины, связанные с анализом данных, смогут отличать типы данных и подбирать релевантные методы сбора и обработки исходных данных в зависимости от их типа.
  • Студенты смогут проводить разведочный анализ данных, вычислять средних значений, медиан, стандартных отклонений, визуализировать данные с помощью графиков, оценивать качество исходных данных
  • Студенты смогут самостоятельно проводить очистку данных, выявлять ошибки и аномалии
  • Студенты смогут дать определение бизнес-аналитики, отличать ее ключевые задачи от задач системной аналитики
  • Студенты поймут важность аналитики в процессе принятия решений и ее влияние на эффективность маркетинга и бизнеса в целом
  • Студенты разберутся в современных трендах в бизнес-аналитике, таких как большие данные, ИИ, облачные технологии.
  • Студенты смогут описать, как искусственный интеллект изменяет подходы к бизнес-аналитике, переходя от традиционных методов к интеллектуальным решениям.
  • Они разберутся в ключевых направлениях применения ИИ в аналитике и смогут привести примеры успешных кейсов из реального мира.
  • Уметь определять наиболее релевантные инструменты для решения аналитической задачи
  • Отличать различные типы визуализаций и применять их в зависимости от целей анализа и типов данных
  • Студенты смогут разрабатывать сторителлинг на основе данных для представления информации наглядным и понятным для маркетинговых менеджеров способом
  • Освоят принципы проектирования эффективных дашбордов для визуализации ключевых показателей эффективности (KPI) в маркетинге.
  • Приобретут практические навыки работы с инструментами визуализации данных, такими как Яндекс Data Lens, Visiology и другими BI-приложениями.
  • Уметь использовать инструменты и программное обеспечение для формирования сегментов клиентов и визуализации результатов
  • Владеть техниками кластерного анализа и другими алгоритмами для формирования сегментов клиентов по схожим характеристикам.
  • Уметь применять различные методы сегментации клиентов
  • Развить навыки в классификации упоминаний и отзывов по различным категориям (позитивные, негативные, нейтральные) и выявлении ключевых тем.
  • Уметь извлекать полезные инсайты из анализа обратной связи, которые могут быть использованы для улучшения продуктов и услуг.
  • Освоены принципы проектирования эффективных дашбордов для визуализации ключевых показателей эффективности (KPI) в маркетинге.
  • Сформированы навыки работы с инструментами визуализации данных, такими как Яндекс Data Lens, Visiology и другими BI-приложениями.
Содержание учебной дисциплины

Содержание учебной дисциплины

  • 1. Введение в современную бизнес-аналитику
  • 2. Введение в анализ данных.
  • 3. Обзор типовых инструментов анализа данных
  • 4. Визуализация данных
  • 5. Бизнес-аналитика и ИИ для сегментации клиентов
  • 6. Бизнес-аналитика и ИИ в digital и продуктовом маркетинге
  • 7. Бизнес-аналитика и ИИ для репутационного маркетинга
Элементы контроля

Элементы контроля

  • неблокирующий Экзамен
    Проводится офлайн в системе Start Exam, без прокторинга 10 тестовых вопросов весом 0,5 балла каждый 2 открытых вопроса весом 1,5 баллов каждый 1 практическое задание на вычисление или построение визуализации весом 2 балла
  • неблокирующий Домашние задания
    Провести исследовательский анализ данных на основе датасета по компании (выполняется индивидуально по вариантам)
  • неблокирующий Групповой проект
  • неблокирующий Активность на занятиях (участие в дискуссиях и ответы на вопросы в течение лекций и семинаров)
Промежуточная аттестация

Промежуточная аттестация

  • 2024/2025 3rd module
    0.05 * Активность на занятиях (участие в дискуссиях и ответы на вопросы в течение лекций и семинаров) + 0.3 * Групповой проект + 0.15 * Домашние задания + 0.5 * Экзамен
Список литературы

Список литературы

Рекомендуемая основная литература

  • 9781491962992 - Bengfort, Benjamin; Bilbro, Rebecca; Ojeda, Tony - Applied Text Analysis with Python : Enabling Language-Aware Data Products with Machine Learning - 2018 - O'Reilly Media - https://search.ebscohost.com/login.aspx?direct=true&db=nlebk&AN=1827695 - nlebk - 1827695
  • Andrew Smith. (2020). Consumer Behaviour and Analytics : Data Driven Decision Making. Routledge.
  • Cramer D. Advanced Quantitative Data Analysis. 2003.
  • Dan Siroker, & Pete Koomen. (2013). A / B Testing : The Most Powerful Way to Turn Clicks Into Customers. Wiley.
  • Data mining for the online retail industry: A case study of RFM model-based customer segmentation using data mining. (2012). https://doi.org/10.1057/dbm.2012.17
  • Derya Birant. (2011). Data Mining Using RFM Analysis. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.B99B7782
  • Digital analytics for marketing, Sponder, M., 2018
  • Dr. Ossama Embarak. (2018). Data Analysis and Visualization Using Python : Analyze Data to Create Visualizations for BI Systems. Apress.
  • Embarak O. Data Analysis and Visualization Using Python: Analyze Data to Create Visualizations for BI Systems. - Apress, 2018.
  • Gelman, A., & Hill, J. (2007). Data Analysis Using Regression and Multilevel/Hierarchical Models. Cambridge University Press.
  • Grigsby, M. (2016). Advanced Customer Analytics : Targeting, Valuing, Segmenting and Loyalty Techniques. London: Kogan Page. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1365518
  • Hsinchun Chen, Chiang, R. H. L., & Storey, V. C. (2012). Business Intelligence and Analytics: From Big Data to Big Impact. MIS Quarterly, 36(4), 1165–1188. https://doi.org/10.2307/41703503
  • Iliinsky, N. P. N., & Steele, J. (2010). Beautiful Visualization : Looking at Data Through the Eyes of Experts. Beijing: O’Reilly Media. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=415208
  • Kitchens, B., Dobolyi, D., Li, J., & Abbasi, A. (2018). Advanced Customer Analytics: Strategic Value Through Integration of Relationship-Oriented Big Data. Journal of Management Information Systems, 35(2), 540–574. https://doi.org/10.1080/07421222.2018.1451957
  • Mirkin, B. Core concepts in data analysis: summarization, correlation and visualization. – Springer Science & Business Media, 2011. – 388 pp.
  • Pernille Christensen. (2011). An Introduction to Statistical Methods and Data Analysis (6th ed., international ed.). Journal of Property Investment & Finance, (2), 227. https://doi.org/10.1108/jpif.2011.29.2.227.1?utm_campaign=RePEc&WT.mc_id=RePEc
  • Steven Tadelis. (2016). Reputation and Feedback Systems in Online Platform Markets. Annual Review of Economics, (1), 321. https://doi.org/10.1146/annurev-economics-080315-015325
  • Криволапов, С. Я. Анализ данных. Методы теории вероятностей и математической статистики на языке Python : учебное пособие / С.Я. Криволапов. — Москва : ИНФРА-М, 2025. — 678 с. — (Высшее образование). — DOI 10.12737/2034420. - ISBN 978-5-16-018616-0. - Текст : электронный. - URL: https://znanium.ru/catalog/product/2034420
  • Щербаков, А. Г., Практикум изучения языка программирования PYTHON. Начальный уровень : учебное пособие / А. Г. Щербаков. — Москва : Русайнс, 2024. — 116 с. — ISBN 978-5-466-07049-1. — URL: https://book.ru/book/954541 (дата обращения: 26.08.2024). — Текст : электронный.

Рекомендуемая дополнительная литература

  • Big data for beginners : understanding SMART big data, data mining and data analytics for improve..., Reynolds, V., 2016
  • Business analytics : data analysis and decision making, Albright, S. C., 2020

Авторы

  • Писаренко Вероника Вадимовна