Бизнес-аналитика и ИИ как инструмент эффективного управления

2024/2025

Учебный год

RUS

Обучение ведется на русском языке

3

Кредиты

Кто читает:

Департамент бизнес-информатики

Статус:

Курс обязательный

Когда читается:

1-й курс, 3 модуль

Преподаватель

Писаренко Вероника Вадимовна

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

• 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

• 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

• 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

• 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
• Домашние задания
  Провести исследовательский анализ данных на основе датасета по компании (выполняется индивидуально по вариантам)
• Групповой проект
• Активность на занятиях (участие в дискуссиях и ответы на вопросы в течение лекций и семинаров)

Промежуточная аттестация

• 2024/2025 3rd module
  0.1 * Активность на занятиях (участие в дискуссиях и ответы на вопросы в течение лекций и семинаров) + 0.3 * Групповой проект + 0.1 * Домашние задания + 0.5 * Экзамен

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