Ärianalüütika ja andmeanalüüsi põhimõistete ja lähenemisviiside omandamine, mille eesmärk on saada uut teavet ja luua lihtsaid lahendusi ettevõtlusega seotud probleemidele.

Acquisition of basic concepts and approaches of business analytics and data analysis, aimed at obtaining new information and creating simple solutions for business related problems.

Kursuse läbinud üliõpilane:
- tunneb ärianalüütika ja andmeanalüüsi tänapäevaseid võimalusi ning mõistab andmete, faktide ja andmepõhise kultuuri olulisust ning nende rolli paremate juhtimisotsuste tegemisel;
- oskab sihikindlalt valida ja rakendada lihtsamaid ärianalüütika, andmeanalüüsi, andmekaeve, visualiseerimistehnikaid ja juhtimislaudu, et leida lahendusi äriprobleemidele ja hinnata nende abil loodavat väärtust;
- on teadlik andmeteaduse kontseptsioonist, suurandmetest, masinõppest ja tulevikusuundadest aineteemades.

After completing this course, the student:
- knows the modern possibilities of business analytics and data analysis and understands the importance of data, facts and data-based culture and their role in making better management decisions;
- is able to purposefully select and apply simpler business analytics, data analysis, data mining, visualization techniques and control boards to find solutions to business problems and evaluate the value created by them;
- is aware of the concept of data science, big data, machine learning and future trends in subject topics.

Ärianalüütika olemus. Andmed. Kirjeldav analüüs. Korrelatsioon ja lineaarne regressioon. Lineaarne regressioon aegridade jaoks. Andmeanalüütika strateegiline kasutamine äriprobleemide lahendamisel. Andmete visualiseerimine ja töölauad. Andmelaod. Andmeteadus, masinõpe. Andmekaeve protsessid, meetodid ja algoritmid. Suurandmete mõiste. Andmekirjaoskus ja andmepõhine kultuur ettevõttes. Tuleviku suundumused.

The nature of business analytics. Data. Descriptive analytics. Correlation and linear regression. Linear regression for time series. Strategic use of data analytics in solving business issues. Data visualization and Dashboards. Data warehouses. Data science, machine learning. Data mining processes, methods and algorithms. The concept of big data. Data literacy and data-based culture in the company. Future trends.

-

-

-

-

Shmueli, G., Bruce, P.C., Gedeck, P., Patel, N.R., 2020. Data mining for business analytics: concepts, techniques and applications in Python. John Wiley & Sons, Inc, Hoboken, NJ.
Shmueli, G., Patel, N. R., & Bruce, P. C. (2016). Data mining for business intelligence: Concepts, techniques, and applications in Microsoft Office Excel with XLMiner. John Wiley and Sons.

-