Прогнозирование бизнес - результатов деятельности предприятия на основе предиктивного моделирования с использованием IBM Watson – Учебные курсы – Национальный исследовательский университет «Высшая школа экономики»

Магистратура 2020/2021

Статус: Курс по выбору (Бизнес-информатика)

Направление: 38.04.05. Бизнес-информатика

Кто читает: Департамент бизнес-информатики

Где читается: Высшая школа бизнеса

Когда читается: 2-й курс, 1, 2 модуль

Формат изучения: без онлайн-курса

Преподаватели: Брускин Сергей Наумович

Прогр. обучения: Бизнес-информатика

Язык: русский

Кредиты: 6

Контактные часы: 48

Полная версия программы учебной дисциплины

Аннотация

Дисциплина посвящена разработке предиктивных моделей с использованием аналитической платформы IBM Watson Studio для задач внутрифирменного планирования и прогнозирования. Слушатели отрабатывают теоретические знания и приобретают практические навыки исследования данных и бизнес-анализа, необходимые для создания предиктивных моделей расширенной бизнес-аналитики. Освоение материала происходит в рамках учебных проектов, максимально приближенных к реальным, в режиме бизнес-симуляции.

Цель освоения дисциплины

Целью освоения дисциплины является формирование у студентов комплекса теоретических знаний и приобретение практических навыков разработки предиктивных моделей на примере аналитической платформы IBM Watson Studio для повышения эффективности корпоративного планирования и прогнозирования. Полученные компетенции позволяют участвовать в проектах создания предиктивных моделей расширенной бизнес-аналитики реального времени для крупных корпораций.

Планируемые результаты обучения

Дает описание классических методов прогнозирования KPIs, а также подходов и инструментов цифрового бизнес-анализа для корпорации
Объясняет сущность задачи предиктивного моделирования в бизнесе, а также функциональные различия между описательной и расширенной бизнес-аналитикой.
Дает описание классических и современных подходов к обработке данных. Объясняет принципы проектирования целевой архитектуры цифровой корпорации с использованием расширенной аналитики.
Владеет подходами к интеллектуальному анализу данных и методами машинного обучения в задачах цифрового управления.
Объясняет парадигму «черного ящика» и «белого ящика», дает описание задач когнитивной бизнес-аналитики. Владеет аналитическими подходами к поиску закономерностей в динамических системах.
Объясняет назначение и описывает функциональность облачных когнитивных приложений для задач предиктивной аналитики на примере IBM Watson.
Дает описание элементов и функций когнитивной системы на примере IBM Watson, а также бизнес-эффектов ее применения в задачах цифрового управления корпорацией.
Владеет подходами к исследованию данных на примере методологии IBM CRISP DM. Проводит экспресс-диагностику качества данных и оценивает прогнозную мощность предикторов на основе демонстрационных данных в среде IBM Watson Studio.
Владеет методами предиктивного анализа и сценарного моделирования и применяет их при создании многофакторных моделей в среде IBM Watson Studio.
Проводит мини-исследование по разработке предиктивной модели и прогнозному моделированию на основе предоставленного бизнес-кейса с использованием IBM Watson. Проводит оценку и интерпретацию результатов.

Содержание учебной дисциплины

Тема 1. Методы и инструменты прогнозирования бизнес-результатов в корпоративном управлении
Классические финансовые и нефинансовые методы прогнозирования показателей основной деятельности корпорации. Экспертные, статистические, информационные, сценарные и другие подходы к бизнес-анализу, планированию и прогнозированию.
Тема 2. Задачи предиктивного моделирования и расширенная бизнес-аналитика (Advanced analytics)
Задачи предсказательной (прогнозной) аналитики в бизнесе. Эволюция и тренды в развитии бизнес-аналитики. Описательная, прогнозная и предписывающая аналитика. Business Intelligence и Advanced analytics. Когнитивная, облачная и расширенная аналитика. Большие данные (Big Data) и машинное обучение (ML).
Тема 3. Технологии управления данными в условиях цифровой трансформации
Классические и современные подходы к обработке данных. Хранилища данных и большие данные. Предприятия реального времени (RTE). Технологии высокоскоростной параллельной обработки данных, гибридные сети, когнитивные системы. Целевая архитектура цифровой корпорации с использованием расширенной аналитики.
Тема 4. Интеллектуальный анализ данных и его применение в цифровом бизнесе
Интеллектуальный анализ данных (Data mining) и поисковые системы в Интернете. Структурированные, слабоструктурированные и неструктурированные данные. WEB mining и Text mining. Social mining и социальные сети. OMNI-каналы, дополненная и виртуальная реальность. Нейросети и машинное обучение в задачах цифрового управления.
Тема 5. Когнитивные подходы в задачах бизнес-анализа
Когнитология и когнитивные модели. Парадигма так называемых «черного ящика» и «белого ящика». Когнитивное моделирование. Естественный и искусственный интеллект. Задачи когнитивной бизнес-аналитики. Когнитивные методы анализа в интеллектуальных системах поддержки принятия решений. Когнитивные карты. Интеллектуальный поиск закономерностей динамических систем.
Тема 6. Когнитивные системы и сервисы в цифровом бизнесе
Естественная и искусственная когнитивная система. Современные когнитивные системы (IBM Watson) и когнитивная бизнес-аналитика. Ретроспектива и тренды в развитии когнитивных технологий. Технологическое и методологическое обеспечение когнитивных систем для бизнеса. Применение предиктивного анализа, мониторинга в цифровом управлении знаниями. Информационная цепочка добавленной стоимости в системе искусственного интеллекта (ИИ). Облачные когнитивные приложения и сервисы.
Тема 7. Практика применения когнитивных решений на примере IBM Watson
Когнитивная облачная платформа IBM Watson. История развития, назначение, принципы организации. Элементы когнитивной системы, ее функции и алгоритмы. Проекты в сфере здравоохранения, образовании, и других индустриях. Бизнес-эффекты и перспективы применения когнитивных решений в условиях цифровой трансформации.
Тема 8. Подготовка и анализ данных для прогнозирования с использованием IBM Watson.
Описание полного цикла предиктивного моделирования как проекта. Понятие качества данных. Подходы к подготовке данных. Определение проекта. Принципы сбора данных. Источники данных и критерии качества данных. Процесс первичного анализа данных. Проверка гипотез. Статистический анализ данных. Моделирование на основе многокритериальных оценок. Развертывание и внедрение предиктивной модели. Информационная архитектура предиктивной модели. Примеры предиктивного анализа на основе демонстрационных данных в среде IBM Watson.
Тема 9. Моделирование и оценка результатов предиктивного анализа с использованием IBM Watson.
Банк предиктивных моделей IBM Watson в ключевых индустриях. Методы, применяемые при проектировании моделей. Определение факторных и определяющих переменных. Оценка взаимного влияния факторов. Понятие мощности прогноза. Загрузка данных. Моделирование. Деревья решений. Сценарный анализ. Визуализация результатов. Подготовка бизнес-кейса для предиктивного моделирования.
Тема 10. Решение кейса по прогнозированию бизнес-результатов с использованием IBM Watson
Бизнес-кейс с использованием IBM Watson. Постановка задачи прогнозирования бизнес-результатов. Цель моделирования. Решаемые корпоративные задачи. Выбор факторных и результативных переменных. Выбор методов моделирования. Подготовка и загрузка набора данных. Настройка параметров модели. Визуализация результатов при заданных сценариях. Оценка и интерпретация результатов. Подготовка выводов по результатам моделирования.

Элементы контроля

Контрольная работа
Домашнее задание
Аудиторная работа
Защита проекта
проводится в онлайн формате

Промежуточная аттестация

Промежуточная аттестация (2 модуль)
0.21 * Аудиторная работа + 0.245 * Домашнее задание + 0.3 * Защита проекта + 0.245 * Контрольная работа

Программа дисциплины

Прогнозирование бизнес - результатов деятельности предприятия на основе предиктивного моделирования с использованием IBM Watson