| Kursa nosaukums | Finanšu datu analīze un finanšu risinājumi |
| Kursa kods | EkonM014 |
| Zinātnes nozare | Ekonomika un uzņēmējdarbība |
| Kredītpunkti (ECTS) | 4 |
| Kopējais stundu skaits kursā | 108 |
| Lekciju stundu skaits | 8 |
| Semināru un praktisko darbu stundu skaits | 24 |
| Laboratorijas darbu stundu skaits | 0 |
| Studenta patstāvīgā darba stundu skaits | 76 |
| Kursa apstiprinājuma datums | 23/10/2024 |
| Atbildīgā struktūrvienība | Ekonomikas un finanšu institūts |
| Kursa izstrādātājs(-i) | |
| Ph.D., pētn. Aija Pilvere |
|
| Priekšzināšanas Kursam priekšzināšanas nav nepieciešamas |
|
| Kursa anotācija | |
| Studiju kurss sniedz padziļinātas zināšanas par finanšu datu analīzes aktuālajiem jautājumiem un finanšu risinājumiem, akcentējot nākotnes vajadzības un ar to saistītos izaicinājumus. Kursa saturs ir veidots tā, lai students apgūtu gan teorētiskas zināšanas, gan iegūtu praktiskas iemaņas par jaunākajām tendencēm, instrumentiem, koncepcijām, principiem, paņēmieniem, praksēm finanšu datu analīzē un finanšu risinājumos. Šajā studiju kursā studenti mācās veikt finanšu datu analīzi, modelējot un prognozējot daudz un dažādus iespējamos scenārijus, un attiecīgi uzticēties iegūtajai informācijai, interpretējot finanšu analīzes rezultātā iegūto informāciju efektīvu finanšu risinājumu izstrādei un lēmumu pieņemšanai.
Kursa mērķis ir sniegt studentam teorētiskas padziļinātas zināšanas un praktiskas iemaņas darbā ar finanšu analīzes datiem (to iegūšanu, apstrādi, vizualizāciju un analīzi), kas ir nepieciešamas finanšu jomas speciālistiem veiksmīgu un efektīvu finanšu risinājumu un lēmumu pieņemšanā. |
|
| Kursa rezultāti un to vērtēšana | |
| Zināšanas:
•Padziļinātas zināšanas par finanšu datu analīzes būtību un nepieciešamību finanšu risinājumu, lēmumu pieņemšanā. Aprēķini un praktiskie darbi nodarbību laikā, kontroldarbs •Specializētas zināšanas darbam ar liela apjoma informāciju un datiem. Aprēķini un praktiskie darbi nodarbību laikā, eksāmens. •Paplašinātas zināšanas un izpratne par dažādu metožu un instrumentu pielietošanu, veicot nepieciešamos aprēķinus, analizējot un komunicējot par iegūtajiem rezultātiem, kā arī izvērtējot piemērotākos finanšu risinājumus. Aprēķini un praktiskie darbi nodarbību laikā, eksāmens. Profesionālās prasmes: •Spēja pielietot dažādus finanšu analīzes risinājumus. Aprēķini un praktiskie darbi nodarbību laikā, eksāmens. •Izprot un spēj izvērtēt kā izmantot uz mākslīgo intelektu balstītas metodes. Praktiskie darbi nodarbību laikā. •Spēj patstāvīgi strādāt ar finanšu datiem un veikt to analīzi. Eksāmens. Vispārīgās prasmes: •Spēj kritiski domāt, analizēt un pieņemt lēmumus. Diskusijas, darbs grupās un individuāli nodarbībās. •Prot diskutēt un aizstāvēt savas idejas. Diskusijas nodarbībās, eksāmens. •Spēj uzņemties atbildību par savu darbu un pieņemtajiem lēmumiem. Eksāmens. Kompetence: •Spēj strādāt ar finanšu analīzes datiem (pārzina to iegūšanu, apstrādi, vizualizāciju un analīzi), kas ir nepieciešamas finanšu jomas speciālistiem veiksmīgu un efektīvu finanšu risinājumu un lēmumu pieņemšanā. Aprēķini un praktiskie darbi nodarbību laikā, kontroldarbs un eksāmens. •Spēj kritiski analizēt un pieņemt efektīvus lēmums pārmaiņu procesā un pamatot lēmumu. Aprēķini un praktiskie darbi nodarbību laikā, eksāmens. |
|
| Kursa saturs(kalendārs) | |
| Lekcijas (8 stundas)
1.Ievads: Finanšu dati un to iegūšana, analīze, pārvaldība, nozīme finanšu sektorā. (0,5 stunda) 2.Datu zinātne: Datu zinātnes modelis (problēmas izpratne, dati, vizualizācijas, hipotēze(s), analīze, rezultātu komunikācija), datu zinātnes nozīme un priekšrocības finanšu datu analīzē, risinājumos, lēmumos. (1,5 stundas) 3.Dati: Datu analīze, datu un attiecīgi iegūto rezultātu sasaiste, datu kvalitāte un tās novērtēšana, datu lēmumu tabulas, risinājumi trūkstošo datu pārvaldībai. (1 stunda) 4.Vizualizācija: Vizualizācija datu zinātnes procesā, diagrammas un grafiki, jautājumi definēšana izmantojot vizualizācijas, dizains – kā instruments datu vizualizācijai un komunikācijai. (1 stunda) 5.Laika sērijas un prognozēšana: “Vakardienas datus savienošana ar prognozēm rītdienai”, datu modeļi un to novērtēšana, laika sērijas un identificēta(s) problēma(s) un piemērotāko tehniku izvērtēšana laika rindu prognozēšanai (“time series forcasting”). (0,5 stunda) 6.Mākslīgais intelekts (“Artificial Intelligence, AI”), Mašīnmācība (“Machine Learning”)”, Power Bi, Inteliģenta Automatizācija (“Intelligent Automation”) un Ilgtspējība automatizācija (“Sustainable Automation”): izpratne par mākslīgo intelektu, mašīnmācību, autonomiem aģentiem, reālā-laika inteliģentām sistēmām, automatizāciju, cilvēka – mākslīgā intelekta mijiedarbība. (3 stundas) 7.Finanšu datu analīze un risinājumi nākotnē: perspektīvas un izaicinājumi. (0,5 stunda) Praktiskie darbi (24 stundas) 1.Ievads, datu zinātne un dati: (4 stundas). Diskusijas lekciju laikā iepazīstos ar praktiskiem piemēriem, zinātniskiem pētījumiem, aktualitātēm. Lekcijas laikā praktiskais darbs (grupās) gadījuma analīze, kas izstrādāta šim studiju kursam balstoties uz praktisku gadījuma piemēru. Praktiskais darbs (individuāli) nodarbībā par datu zinātni finanšu analīzes kontekstā . 2.Vizualizācija: (1 stunda). Lekcijas laikā praktiskie darbs (grupās) situācijas analīze, kas izstrādāta šim studiju kursam balstoties uz praktisku gadījuma piemēru. 3.Mākslīgais intelekts (“Artificial Intelligence, AI”), Mašīnmācība (“Machine Learning”)”: (1 stunda). Izpratne par mākslīgo intelektu, mašīnmācību, autonomiem aģentiem, reālā-laika inteliģentām sistēmām un cilvēka – mākslīgā intelekta mijiedarbību lekcijas laikā praktiskais darbs (grupās) gadījuma analīze, kas izstrādāta šim studiju kursam. 4.Power Bi: (9 stundas). Individuāls patstāvīgais darbs, kura laikā studentam būs jāizveido finanšu datu analīze un vizualizācija izmantojot publiski pieejamu platformu: Microsoft Power BI. 5.Inteliģenta Automatizācija (“Intelligent Automation”) un Ilgtspējība automatizācija (“Sustainable Automation”): (9 stundas). Individuāls patstāvīgais darbs, kura laikā studentam būs jāizveido finanšu datu analīze un vizualizācija izmantojot publiski pieejamu platformu Power Automate. |
|
| Prasības kredītpunktu iegūšanai | |
| Eksāmens. Akumulējošs vērtējums, kas sastāv no:
•Kontroldarbs par datiem, datu zinātni un vizualizāciju – 20%; •Aprēķini, diskusijas un praktiskie uzdevumi nodarbību laikā par katru apgūto tēmu studiju kursa ietvaros – 35% •Eksāmens – patstāvīgais darbs ar prezentāciju: organizācijas finanšu datu apstrāde, vizualizācija, analīze, un prezentācija 45%. |
|
| Studējošo patstāvīgo darbu organizācijas un uzdevumu raksturojums | |
| Studiju kursa materiālu izpēte un atkārtošana, lai varētu sagatavoties kontroldarbam par datiem, datu zinātni un vizualizāciju.
Studenti patstāvīgi sagatavojas uz katru nodarbību, izlasot uzdotos materiālus un informāciju. Studenti saskaņojot ar pasniedzēju, izvēlas organizāciju, par kuru veiks individuālu patstāvīgo darbu, veicot datu atlasi, datu apstrādi, vizualizāciju, analīzi un ieteikumu uzlabojumiem izstrādi, un sagatavos prezentāciju eksāmenam. |
|
| Studiju rezultātu vērtēšanas kritēriji | |
| Kontroldarbu var nokārtot, ja vismaz 50% no jautājumiem ir pareizi atbildēti.
Praktiskie uzdevumi tiek sagatavoti un pārbaudīti nodarbībās pēc katras tēmas apgūšanas, un nepieciešams iegūt vismaz 70% par praktisko darbu veikšanu, lai praktiskie darbi tiktu ieskaitīti. Eksāmenu var kārtot studenti, kuriem ir vismaz 50% pareizi atbildēti kontroldarba jautājumi un vismaz 70% iegūti par praktisko darbu veikšanu nodarbībās. Eksāmena uzdevumu novērtē saskaņā ar eksāmena praktiskajā uzdevumā noteikto vērtēšanas kritērijiem un kārtību. |
|
| Obligātā literatūra | |
| Pamatliteratūra.
1.Köseoğlu S.D. Financial Data Analytics. Theory and Application (Contributions to Finance and Accounting). Springer Cham, 2022., 384 lpp., ISBN: 978-3-030-83798-3 2.Consoli S., Recupero D.R., Saisana M. Data Science for Economics and Finance: Methodologies and Applications. Springer Nature., Springer Cham, 2021., 355 lpp., ISBN 978-3-030-66890-7 (brīvpieejas) 3.Ferrari A., Russo M. Introducing Microsoft Power BI. 2016., 189 lpp., ISBN 978-1-5093-0228-4 (brīvpieejas) www.microsoftpressstore.com/store/introducing-microsoft-power-bi-9781509302284 4.Collab365. Beginner Ebook, The Beginners Guide to Power Automatev, 65 lpp., https://s3.amazonaws.com/media.collab365.community/Academycompanionebooks/TheBeginnersGuidetoPowerAutomatev2.pdf (brīvpieejas) 5.Microsoft Power BI, www.microsoft.com/en-us/power-platform/products/power-bi/learning (brīvpieejas) 6.Rad R., Power BI from Rookie to Rock, 2017, https://radacad.com/download-free-power-bi-book-pdf-format (brīvpieejas) |
|
| Papildliteratūra | |
| Papildliteratūra.
1.Brott P., Mastering Microsoft Power Bi. Packt., 2018. www.packtpub.com/free-ebook/mastering-microsoft-power-bi/9781788297233 (brīvpieejas) 2.Microsoft Power Bi, https://www.microsoft.com/en-us/power-platform/products/power-bi?msockid=25f726da7836693111ce3585799c68de (brīvpieejas) 3.Microsoft Power Automate rīks, https://www.microsoft.com/en-us/power-platform/products/power-automate?msockid=25f726da7836693111ce3585799c68de |
|
| Periodika un citi informācijas avoti | |
| Periodika un vadlīnijas.
1.Harvard Business Review 2.Eiropas Parlaments, EU AI Act: first regulation on artificial intelligence, 2023, https:// www.europarl.europa.eu/topics/en/article/20230601STO93804/eu-ai-act-first-regulation-on-artificial-intelligence 3.Journal of Automation and Intelligence: https:// www.sciencedirect.com/journal/journal-of-automation-and-intelligence 4.Microsoft Power BI Blog, https://powerbi.microsoft.com/en-us/blog/ |
|
| Piezīmes | |
| Akadēmiskā maģistra studiju programma “Finanses ilgtspējai” | |