LV EN RU DE FR

Datu apstrāde un biznesa analītika

Kursa izstrādātājs

Aizstātais kurss

InfTM002 [GINTM002] Datu apstrāde un biznesa analītika

Kursa anotācija

Studiju kursā tiek apgūts datu apstrādes un biznesa inteliģences metodes un rīki, kas sniedz atbalstu biznesa jautājumu risināšanai un efektīvai biznesa lēmumu pieņemšanai. Maģistranti apgūst datu klasifikācijas un ieguves, datu vizualizācijas, datu apstrādes principus un rīkus, kas ļauj organizācijām pieņemt uz datiem balstītus lēmumus. Metožu apgūšanai, pielietos piemērus saistītus ar izlašu apsekojumiem, uzdevumu atrisināšanai izmantos datu statistiskās apstrādes un biznesa inteliģences programmas.
Studiju kursa apgūšanas mērķis – sniegt studējošiem padziļinātas zināšanas un prasmes datu apstrādes un biznesa inteliģences metožu pielietošanā un datu apstrādes un analīzes rezultātu prezentēšanā.

Kursa rezultāti un to vērtēšana

Zināšanas:
• spēj parādīt padziļinātas zināšanas un izpratni par datu vizualizāciju un datu apstrādes metodēm - teorijas tests, patstāvīgais darbs ar aprēķiniem;
• zināšanas un izpratne par metožu izvēles pamatprincipiem pēc izvirzītajiem pētījuma uzdevumiem - izpildīti praktiskie darbi, kontroldarbs ar aprēķiniem;
Profesionālās prasmes:
• patstāvīgi vizualizēt un veikt datu apstrādi pētnieciskajā darbā, izmantojot datu vizualizācijas un apstrādes rīkus - izpildīti praktiskie darbi, patstāvīgais darbs ar aprēķiniem.
Vispārīgās prasmes:
• Spēj argumentēti izskaidrot un diskutēt par datu vizualizāciju un datu apstrādes metožu izvēles principiem, to pielietošanu un realizēšanu konkrētās problemātikas pētījumam - izpildīti praktiskie darbi, patstāvīgais darbs ar aprēķiniem, kontroldarbs ar aprēķiniem;
Kompetences:
• Spēj patstāvīgi veikt maģistra darbā datu vizualizāciju un apstrādi, izmantojot datu apstrādes un BI programmatūru – tests, patstāvīgais darbs ar aprēķiniem, kontroldarbs ar aprēķiniem;
• Spēj patstāvīgi interpretēt iegūtos rezultātus, formulēt secinājumus un saistīt tos ar uzņēmējdarbību, pamatot lēmumus un veikt to analīzi - patstāvīgais darbs ar aprēķiniem, kontroldarbs ar aprēķiniem;

Kursa saturs(kalendārs)

1. Ievads studiju kursā. Datu klasifikācija. Datu iegūšana un datu glabāšana. Datu grafiskā attēlošana. Datu apstrādes metožu klasifikācija. Datu apstrādes rīki. [Lekcijas - 2h, Praktiskie darbi - 2h]
2. Datu analīze ar Biznesa inteliģences (BI) rīkiem. Ievads BI rīkos. BI rīku datu bāze un datu avoti. [Lekcijas - 1h, Praktiskie darbi - 2h]
3. BI rīku pamatfunkcijas un to efektīvs pielietojums. Uzņēmuma finanšu rādītāju grafiskā attēlošana un atskaišu veidošana ar BI rīkiem. Padziļinātas datu analīzes iespējas ar BI rīkiem. [Lekcijas - 1h, Praktiskie darbi - 2h]
4. Interaktīva un pārskatāma datu vizualizācija. Interaktīvie grafiki, datu analīze dažādos griezumos ar BI rīkiem. Datu modelēšana un datubāzu sasaistīšana. [Lekcijas - 1h, Praktiskie darbi - 2h]
Patstāvīgais darbs: uzņēmuma finanšu rādītāju atskaites veidošanu ar BI rīku un iegūto rezultātu interpretācija.
5. Kvalitatīvu datu apstrāde un grafiskā attēlošana. Kontingences analīzes pielietošana datu apstrādē un rezultātu interpretācija. Kontingences tabulu veidi (2x2, rxc). Hī2 kritērijs kā statistiskās neatkarības tests: 2x2 un rxc kontingences tabula. Fišera tests: 2x2 kontingences tabula. [Lekcijas - 1h, Praktiskie darbi - 2h]
6. Kvalitatīvo pazīmju sakarības analīze: kontingences koeficients, Kramera koeficients, φ koeficients. Sakarības koeficienta izvēle atkarībā no kontingences tabulas veida. [Lekcijas - 1h, Praktiskie darbi - 2h]
7. Kvantitatīvu pazīmju sakarības analīze: Pīrsona pāru korelācijas koeficienta aprēķināšana, un interpretācija. Spīrmena rangu korelācijas koeficients. [Lekcijas - 1h, Praktiskie darbi - 2h]
8. Vienfaktora lineārais regresijas modelis. Hipotēžu izvirzīšana un pārbaude. [Lekcijas - 1h, Praktiskie darbi - 2h]
9. Vienfaktora lineārās regresijas modeļa pieņēmumu pārbaude. [Lekcijas - 1h, Praktiskie darbi - 2h]
10. Daudzfaktoru lineārais regresijas modelis. Hipotēžu izvirzīšana un pārbaude. [Lekcijas - 1h, Praktiskie darbi - 2h]
11. Nelineārās regresijas modeļi, to pielietojums un rezultātu interpretācija. [Lekcijas - 1h, Praktiskie darbi - 2h]
Kontroldarbs: kontinģences analīze, vienfaktora un daudzfaktoru regresijas analīze. [Praktiskie darbi - 2h]

Prasības kredītpunktu iegūšanai

Kursa ietvaros paredzēti viens kontroldarbs ar aprēķiniem un tests, kas veicami praktisko darbu laikā auditorijā. Viens patstāvīgais darbs, kas veicams patstāvīgi. Studiju kursa noslēguma vērtējums – ieskaite ar atzīmi, kuru veido akumulējošs studiju rezultātu vērtējums.

Studējošo patstāvīgo darbu organizācijas un uzdevumu raksturojums

Studiju kursa ietvaros patstāvīgām studijām atvēlēts 84 stundas, kas tiek organizētas sekojoši: gatavošanās testam (24 stundas), patstāvīgā darba izpilde ar aprēķiniem (40 stundas); gatavošanās kontroldarbam ar aprēķiniem (20 stundas).

Studiju rezultātu vērtēšanas kritēriji

Gala vērtējums studiju kursā veidojas:
20% teorijas tests par datu apstrādes un BI metožu būtību, nozīmi un pielietojumu;
40% patstāvīgais darbs par uzņēmuma finanšu rādītāju atskaites veidošanu ar BI rīku un iegūto rezultātu interpretācija;
40% kontroldarbs ar aprēķiniem par datu grafisko attēlošanu un datu apstrādes metodēm: kontingences, korelācijas, vienfaktora un daudzfaktoru regresijas analīze.
Darba vērtējums ir atkarīgs no izpildes pakāpes.

Obligātā literatūra

1. Kirk A. Data visualisation: a handbook for data driven design. Los Angeles: SAGE, 2019. 312 p.
2. Corr L., Stagnitto J. Agile Data Warehouse Design: collaborative dimensional modeling, from Whiteboard to Star Schema. UK: Decision Press, 2014. 304 p.
3. Arhipova I., Balina S. Statistika ekonomikā un biznesā: risinājumi ar SPSS un MS Excel: mācību līdzeklis. Rīga: Datorzinību centrs, 2006. 359 lpp.
4. Kabacoff R. I. R in action: data analysis and graphics with R. Second edition. Shelter Island, NY: Manning, 2015. 579 p.

Papildliteratūra

1. Data science & big data analytics: discovering, analyzing, visualizing and presenting data. EMC Education Services. Indianapolis, IN: John Wiley and Sons, 2015. 410 p.
2. Advanced Analytics with Power BI: Microsoft. Pieejams: https://www.arbelatech.com/insights/white-papers/advanced-analytics-with-power-bi
3. Gujarati D. N. Basic econometrics. 3rd ed. New York [etc.]: McGraw-Hill, Inc., 1995. 838 p.

Periodika un citi informācijas avoti

1. European Journal of Management and Business Economics: ISSN 2444-8451 Elsevier data base
2. Journal of Data Analysis and Information Processing: ISSN Online: 2327-7203. Pieejams: www.scirp.org/journal/jdaip

Piezīmes

Obligātais studiju kurss, ESAF profesionālā maģistra studiju programma "Uzņēmējdarbības vadība"