• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Бакалавриат 2021/2022

Анализ данных в бизнесе

Статус: Курс по выбору (Экономика)
Направление: 38.03.01. Экономика
Кто читает: Базовая кафедра компании SAS
Когда читается: 3-й курс, 3, 4 модуль
Формат изучения: без онлайн-курса
Охват аудитории: для всех кампусов НИУ ВШЭ
Преподаватели: Воробьева Мария Сергеевна, Дудников Константин Эдуардович, Лапшин Виктор Александрович, Миронов Александр Владимирович, Петровский Михаил Игоревич, Пятов Алексей Александрович, Романенко Алексей Александрович, Тараканов Георгий Иванович, Титова Наталия Николаевна
Язык: русский
Кредиты: 6
Контактные часы: 64

Программа дисциплины

Аннотация

Интеллектуальный анализ данных находит всё большее применение в различных отраслях экономики. Совершенствуются математические методы, разрабатываются новые модели и подходы для решения прикладных бизнес задач. При этом практическое применение методов интеллектуального анализа данных в бизнесе требует специализированных знаний и навыков. Целью данного курса является рассмотрение современных подходов, инструментов и методов интеллектуального анализа данных, применяемых в таких прикладных областях как клиентская аналитика, управление рисками и организация розничной торговой сети. Обучение построено на изучении не только соответствующих математических моделей и алгоритмов, но и на рассмотрении примеров их реального применения в этих областях, что позволит студентам изучить весь жизненный цикл аналитической модели, начиная с этапа формирования требований и подготовки данных и заканчивая этапом внедрения и эксплуатации.
Цель освоения дисциплины

Цель освоения дисциплины

  • Получение представления об особенностях задач анализа данных в бизнесе с учетом специфики разных отраслей экономики, знакомство с конкретными примерами бизнес-задач, использующих анализ данных
  • Знакомство со специализированным программным обеспечением SAS для решения поставленных задач в рамках курса.
Планируемые результаты обучения

Планируемые результаты обучения

  • Использовать программные средства загрузки, обработки, визуализации и интерактивно-го исследования данных, а также строить и применять на практике описательные и про-гнозные модели интеллектуального анализа данных и машинного обучения с использованием
  • Использовать программные средства загрузки, обработки, визуализации и интерактивно-го исследования данных, а также строить и применять на практике описательные и про-гнозные модели интеллектуального анализа данных и машинного обучения с использованием
  • Ключевые показатели эффективности и основные метрики операционной и финансовой деятельности, используемые в разных отраслях экономики, отраслевую и функциональ-ную специфику реализации задач анализа данных в бизнесе.
  • Математические методы и модели для решения задач анализа данных в бизнесе, возни-кающих в области клиентской аналитики, в розничных сетях продаж товаров и при анализе и оценке рисков, принципы проверки и представления результата решения этих задач.
  • Основные формулировки, особенности и характеристики прикладных задач анализа дан-ных в бизнесе, возникающих в области клиентской аналитики, в розничных сетях про-даж товаров и при анализе и оценке рисков.
  • Оформлять и представлять свои результаты в виде бизнес-презентации.
  • Семейство программных технологий SAS для обработки и анализа данных, включая про-граммные продукты SAS для загрузки и предобработки данных, интерактивного исследования данных, построения и применения прогнозных и описательных моделей
  • Формулировать, решать и оценивать результат решения задач анализа данных в бизнесе, возникающих в области клиентской аналитики, в розничных сетях продаж товаров и при анализе и оценке рисков и в других отраслях экономики.
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Клиентская аналитика. Лекция 1.1. Введение в клиентскую и онлайн аналитику
  • Клиентская аналитика. Семинар 1.1. Введение в клиентскую и онлайн аналитику
  • Клиентская аналитика. Лекция 1.2. Построение прогнозных моделей и визуализация данных
  • Клиентская аналитика. Семинар 1.2. Построение прогнозных моделей и визуализация данных
  • Текстовая аналитика. Лекция 2.1. Введение в текстовую аналитику
  • Текстовая аналитика. Семинар 2.1. Введение в текстовую аналитику
  • Текстовая аналитика. Лекция 2.2. Построение прогнозных моделей в текстовой аналитике
  • Текстовая аналитика. Семинар 2.2. Построение прогнозных моделей в текстовой аналитике
  • Задачи анализа данных в розничных сетях продаж товаров. Лекция 3.1. Введение в задачи анализа данных в ритейле. Прогнозирование спроса
  • Задачи анализа данных в розничных сетях продаж товаров. Семинар 3.1. Введение в задачи анализа данных в ритейле. Прогнозирование спроса
  • Задачи анализа данных в розничных сетях продаж товаров. Лекция 3.2. Описательная аналитика в Ритейл: кластеризация магазинов, сегментация товаров, восстановление спроса
  • Задачи анализа данных в розничных сетях продаж товаров. Семинар 3.2. Описательная аналитика в Ритейл: кластеризация магазинов, сегментация товаров, восстановление спроса
  • Задачи анализа данных в розничных сетях продаж товаров. Лекция 3.3. Задачи оптимизации запасов товаров в ритейл-сети, оптимизация цен, оптимизация ассортимента
  • Задачи анализа данных в розничных сетях продаж товаров. Семинар 3.3. Задачи оптимизации запасов товаров в ритейл-сети, оптимизация цен, оптимизация ассортимента
  • Основы оценки рисков. Лекция 4.1. Введение в кредитные риски
  • Основы оценки рисков. Семинар 4.1. Введение в кредитные риски
  • Основы оценки рисков. Лекция 4.2. Введение в рыночные риски
  • Основы оценки рисков. Семинар 4.2. Введение в рыночные риски
  • Основы оценки рисков. Лекция 4.3. Валидация моделей
  • Основы оценки рисков. Семинар 4.3. Валидация моделей
  • ModelOps. Лекция 5. ModelOps - Операционализация моделей машинного обучения
  • ModelOps. Семинар 5. ModelOps - Операционализация моделей машинного обучения
  • Техника презентации
  • Отраслевая специфика и прикладные аспекты задач анализа данных
  • Командный проект
Элементы контроля

Элементы контроля

  • неблокирующий Контрольная работа №1
  • неблокирующий Контрольная работа №2
  • неблокирующий Контрольная работа №3
  • неблокирующий Практический проект (Командный проект)
  • неблокирующий Экзамен
    Экзамен проводится дистанционно в формате компьютерного теста. Ссылка на тест будет выслана студентам перед началом экзамена.
Промежуточная аттестация

Промежуточная аттестация

  • 2021/2022 учебный год 4 модуль
    0.2 * Экзамен + 0.1 * Контрольная работа №1 + 0.1 * Контрольная работа №2 + 0.5 * Практический проект (Командный проект) + 0.1 * Контрольная работа №3
Список литературы

Список литературы

Рекомендуемая основная литература

  • Big data analytics : turning big data into big money, Ohlhorst, F., 2013
  • Высшая математика для экономистов : учебник для вузов, Кремер, Н. Ш., 2004
  • Математическая статистика : учеб. пособие для вузов, Ивченко, Г. И., 1992
  • Ораторское искусство : учеб. пособие для вузов, Каверин, Б. И., 2004
  • Ораторское искусство и деловое общение : учеб. пособие для вузов, Баева, О. А., 2000
  • Теория вероятностей и математическая статистика : учебник для вузов, Колемаев, В. А., 2003
  • Теория вероятностей и математическая статистика в задачах : более 360 задач и упражнений, Борзых, Д. А., 2020
  • Теория вероятностей и математическая статистика. Базовый курс с примерами и задачами : учебник для вузов, Кибзун, А. И., 2013

Рекомендуемая дополнительная литература

  • Advanced management accounting, Kaplan, R. S., 2014
  • Data analysis using SAS, Peng, C. Y. J., 2009
  • МСФО: точка зрения КПМГ : практическое руководство по Международным стандартам финансовой отчетности.2011/2012. В двух частях. Ч.ч. 1,2.Пер. с англ., , 2012