Aine eesmärk on arendada andmeanalüüsi oskusi, rakendades ärianalüütika meetodeid äri- ja finantsprobleemide lahendamiseks.

the aim of this course is to 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 ja nendega seotud töövahendeid äriandmete analüütika probleemide lahendamiseks;
- defineerib praktikas ärianalüütika probleeme, lahendab neid sobivat metoodikat ja tehnikat kasutades ja tõlgendab ning kommunikeerib tulemusi.

After completing this course, the student:
- chooses and applies appropriate methods from data mining and statistics to solve problems related to business data analytics;
- uses programming languages and associated tools to solve problems related to business data analytics;
- defines practical business analytics problems and solves them by using appropriate methods and techniques and interprets and communicates the results.

Ärianalüütika kontseptsioon, tehnikate ülevaade ja võrdlus ning analüüsi protsess. R ja töövahendite kasutamine äriandmete analüüsiks. Kirjeldav statistika ja andmete puhastamine. SQL-i kasutamine andmebaasisüsteemidest andmete pärimiseks. Andmete korje ning veebist kraapimine. Regressioonanalüüsi (sh lineaarne, logistiline) rakendamine ärianalüütikas seoste leidmiseks ning prognoosivahendina (sh aegread). 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. Using SQL for querying data from database systems. 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). Decision trees and its application in data driven management decisions. Neural networks and its application in finance. Combining methods and interpreting results.

Jooksvad kodutööd 20%, grupitöö projekt 40%, eksam 40%

-

-

-

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.

Tõnn Talpsepp, kaasprofessor (ME - majandusanalüüsi ja rahanduse instituut)