Arendada andmeanalüüsi oskusi rakendades andmekaeve- ning statistika tehnikaid ja meetodeid äri- ja finantsprobleemide lahendamiseks.

Develop skills in data analytics and use techniques and methods from data mining and statistics to solve business and financial problems.

Aine läbinud üliõpilane:
- valib ja rakendab sobivaid andmekaeve- ja statistilisi meetodeid ärianalüütikat puudutavate probleemide lahendamiseks;
- kasutab programmeerimiskeeli (R või Python) ja nendega seotud töövahendeid äriandmete analüütika probleemide lahendamiseks;
- suudab praktikas defineerida ärianalüütika probleeme, neid sobivat metoodikat ja tehnikat kasutades lahendada ja tulemusi tõlgendada ning kommunikeerida.

After completing this course the student:
- chooses and implements appropriate methods from data mining and statistics to solve problems related to business data analytics;
- uses programming languages (R or Python) and associated tools to solve problems related to business data analytics;
- is able to define practical business analytics problems and solve them by using appropriate methods and techniques and interpret and communicate the results.

Ärianalüütika kontseptsioon, tehnikate ülevaade ja võrdlus ning analüüsi protsess. R ja töövahendite kasutamine äriandmete analüüsiks. Kirjeldav statistika ja andmete puhastamine. Andmete korje ning veebist kraapimine. Regressioonanalüüsi (sh lineaarne, logistiline) rakendamine ärianalüütikas seoste leidmiseks ning prognoosivahendina (sh aegread). Elukestusanalüüs ning selle rakendamine kliendikäitumise analüüsil. Otsustuspuud ning nende rakendamine andmepõhistes juhtimisotsustes. Tehisnärvivõrgud ning nende rakendamine finantsvaldkonnas. Meetodite kombineerimine ning tulemuste tõlgendamine.

Business analytics, its concept, overview of the techniques and analysis process. Using R and its tools in analyzing business data. Descriptive statistics and cleaning data. Data collection and web scraping. Using regression analysis (incl. linear and logistic) to find relations in business data and for predictive analytics (incl. time-series). Survival analysis and its applications in customer behavior analysis. Decision trees and its application in data driven management decisions. Neural networks and its application in finance. Combining methods and interpreting results.

Kirjalik eksam (30%), vahetestid (10%), kirjalikud kodutöö projektid (60%)

Written exam (30%), quizzes (10%), written homework projects (60%)

Õppematerjalide lugemine, koduste andmeanalüüsi projektide teostamine.

Reading assignments, executing data analysis projects as homework.

Torgo, L., Bruce, P.C., Shmueli, G., Yahav, I., Patel, N.R., Lichtendahl, K.C., (2017), Data Mining for Business Analytics: Concepts, Techniques, and Applications in R.
Ledolter, J., (2013), Data Mining and Business Analytics with R.
Linoff, G.S., (2011), Data Mining Techniques: For Marketing, Sales, and Customer Relationship Management.

-