Бизнес-аналитика и ИИ как инструмент эффективного управления

2025/2026

ID 1076071

Статус: Маго-лего

Кто читает: Департамент бизнес-информатики

Где читается: Высшая школа бизнеса

Когда читается: 3 модуль

Охват аудитории: для своего кампуса

Преподаватели: Громова Алла Александровна

Язык: русский

Кредиты: 3

Контактные часы: 24

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс охватывает как теоретические, так и практические аспекты бизнес-аналитики (BA) и инструментов ИИ в контексте реальных бизнес-задач, фокусируясь на работе с данными. В условиях насыщенной данными среды бизнес нуждается в инструментах быстрой обработки данных, чтобы оставаться конкурентоспособным. Курс делает акцент на аналитике данных как методе получения инсайтов из цифровых данных. Также рассматривается применение инструментов ИИ в бизнес-анализе, в том числе GenAI. Задания курса обучают студентов работе с BI-сервисами для извлечения, обработки, анализа и визуализации данных, инструментов обработки данных и создания моделей машинного обучения. Цель курса - научить студентов основным подходам по работе с данными, дать обзор трендов в области бизнес-анализа, сформировать основу навыка применения ИИ в области бизнес анализа для задач маркетинга. Курс включает лекции, анализ данных, работы с практическим кейсом в области создания маркетингового контента с помощью ИИ.

Цель освоения дисциплины

Находить, извлекать, оценивать и подготавливать данные для анализа.
Выбирать подходы и инструменты бизнес-аналитики для решения задач
Интерпретировать результаты анализа данных
Квалифицировать и использовать различные источники данных и инструменты в процессе анализа.
Создавать доступные для восприятия визуализации данных и презентационные материалы.
Разрабатывать интерактивные дашборды и отчеты с помощью ИТ инструментов и формировать контент с помощью ИИ.

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

Предварительный анализ данных
Методы и модели анализа данных
Представление результатов анализа данных

Элементы контроля

Домашнее задание 1
В этом задании необходимо провести исследовательский анализ данных (EDA) для определения факторов, влияющих на успешность проектов в определённой индустрии. На основе анализа нужно выявить закономерности, которые помогут сформулировать рекомендации по созданию перспективного продукта. Работа должна включать изучение различных характеристик объектов, визуализацию данных, расчет метрик и формулирование выводов, которые будут непосредственно связаны с поставленной целью.
Экзамен
Экзаменационное задание представляет собой вопросы по темам курса и решение кейсов, приближенных к реальной профессиональной ситуации и по смыслу аналогичных заданиям, выполняемым на семинарских занятиях и в рамках домашних работ. Обучающемуся необходимо проанализировать представленные исходные данные, выявить ключевые проблемы, применить соответствующие теоретические знания и практические методы, предложить обоснованные варианты решения и аргументированно оформить полученные выводы и рекомендации.
Групповой проект
Обучающемуся необходимо разработать прототип аналитического решения для прикладной задачи на основе реальных или приближенных к реальности данных с использованием изученных в курсе инструментов анализа данных и методов построения предиктивных моделей. Задание включает исследовательский анализ данных, формирование признаков, выбор и обучение модели, интерпретацию результатов и представление выводов в форме, пригодной для принятия управленческих решений. Групповой проект выполняется в группах от 3-х до 5-ти человек
Посещаемость
Посещаемость оценивается по регулярности присутствия обучающегося на учебных занятиях, соблюдению установленного расписания, своевременному прибытию на пары и участию в учебной деятельности в течение всего времени их проведения, что является необходимым условием полноценного освоения образовательной программы.
Домашнее задание 2
В этом задании необходимо применить методы машинного обучения для оценки вероятности отклика клиентов на новое предложение. Цель — понять, какие характеристики клиентов и их поведения позволяют предсказать успешность кампании, и на основе этого выбрать оптимальную модель. Работа включает построение нескольких моделей, применение техник улучшения качества моделей, расчет метрик, анализ результатов и формулировку выводов о том, какая модель лучше подходит для решения бизнес-задачи.
Аудиторная работа на семинарах
Активность на занятиях оценивается по степени вовлечённости обучающегося в учебный процесс и включает регулярное участие в обсуждениях, ответы на вопросы преподавателя, выполнение учебных заданий во время пары, проявление инициативы при работе в группе, умение аргументированно высказывать свою позицию и демонстрацию интереса к изучаемому материалу.

Промежуточная аттестация

2025/2026 3rd module
0.1 * Аудиторная работа на семинарах + 0.4 * Экзамен + 0.1 * Домашнее задание 1 + 0.2 * Групповой проект + 0.1 * Домашнее задание 2 + 0.1 * Посещаемость

Список литературы

Авторы

Писаренко Вероника Вадимовна
Архипкина Светлана Владимировна
Горбунова Анна Александровна
Громова Алла Александровна

Программа дисциплины