Data Analytics - Study guide

Opintojaksolla ei ole edeltävyysehtoja.

- Prosessiajatteluun perustuva data-analytiikka
- Deskriptiivinen, prediktiivinen ja preskriptiivinen analytiikka
- Strukturoitu, strukturoimaton ja semistrukturoitu aineisto
- Edistynyt/kehittynyt data-analytiikka
- Data-analyysien algoritmit kuten koneoppimisen algoritmit ennakoinnissa
- Merkittävyys, relevanssi ja muut tilastollisesti tärkeät käsitteet tulosten arvioinnissa
- Data-analytiikan sovellusperheitä kuten Microsoft, SAP ja Qlik, SPSS
- Analytiikan ohjelmointikieliä kuten R, Python, C, SQL
- Sosiaalisen median analytiikka ja analyysityövälineet kuten Google Analytics ja SAP Predictive Analytics
- Visualisoinnin ja raportoinnin työvälineitä

Opiskelija ymmärtää data-analytiikkaprosessin ja pystyy soveltamaan sitä liiketoiminnan kehittämisessä opettajan ohjeistuksen avulla. Opiskelija ymmärtää seuraavat käsitteet: deskriptiivinen, prediktiivinen ja preskriptiivinen analytiikka sekä edistyneen aineiston erityispiirteet. Opiskelija pystyy ratkaisemaan yksinkertaisen liiketoimintaan liittyvän ongelman opettajan ohjauksessa.

Opiskelija osaa tehdä johtopäätöksiä tuloksista ja visualisoida niitä sekä julkaista niitä käyttämällä sopivia digitaalisia työvälineitä. Opiskelija pystyy soveltamaan yhtä tai useampia ennakointialgoritmejä ratkaistakseen liiketoimintaan liittyvän ongelman, mutta tarvitsee siinä opettajan apua. Opiskelija osaa arvioida liiketoimintaraporttien luotettavuutta ja merkityksellisyyttä.

Opiskelija ymmärtää data-analytiikkaprosessin ja pystyy soveltamaan sitä itsenäisesti liiketoimintaan kehittämisessä. Opiskelija ymmärtää seuraavat käsitteet: deskriptiivinen, prediktiivinen ja preskriptiivinen analytiikka sekä edistyneen aineiston erityispiirteet. Opiskelija pystyy ratkaisemaan yksinkertaisen liiketoimintaan liittyvän ongelman itsenäisesti.

Opiskelija osaa tehdä johtopäätöksiä tuloksista ja visualisoida niitä sekä julkaista niitä käyttämällä sopivia digitaalisia työvälineitä. Opiskelija pystyy soveltamaan yhtä tai useampia ennakointialgoritmejä ratkaistakseen itsenäisesti liiketoimintaan liittyvän ongelman. Opiskelija osaa arvioida liiketoimintaraporttien luotettavuutta ja merkityksellisyyttä.

Opiskelija ymmärtää data-analytiikkaprosessin ja pystyy soveltamaan sitä itsenäisesti monimutkaisemmassakin liiketoiminnan kehittämistyössä. Opiskelija ymmärtää seuraavat käsitteet: deskriptiivinen, prediktiivinen ja preskriptiivinen analytiikka sekä edistyneen aineiston erityispiirteet. Opiskelija pystyy ratkaisemaan vaativan liiketoimintaan liittyvän ongelman itsenäisesti.

Opiskelija osaa tehdä johtopäätöksiä tuloksista ja visualisoida niitä sekä julkaista niitä käyttämällä sopivia digitaalisia työvälineitä. Opiskelija pystyy soveltamaan useampia ennakointialgoritmejä ratkaistakseen itsenäisesti liiketoimintaan liittyviä ongelmia. Opiskelija osaa arvioida liiketoimintaraporttien luotettavuutta ja merkityksellisyyttä.

Opintojakso korvaa edellisen opetussuunnitelman kurssit Kvantitatiivinen tutkimus sekä Tiedonhankinta ja –hallinta.

Videoluennoilla opetetaan datojen valmistelua, kuvailevaa analytiikkaa, selittävää analytiikkaa, ennakoivaa analytiikkaa ja mallintamista (koneoppimisen malleja).

Opiskelija syventää oppimista omatoimisesti tehtävillä harjoituksilla, joiden aiheet ja datat opiskelija voi vapaasti valita. Jos opiskelijalla ei ole omia datoja, niin harjoittelun voi tehdä opettajan tarjoamilla datoilla.

Opettaja ohjaa tarvittaessa omatoimisten harjoitusten tekemistä verkossa.

https://tilastoapu.wordpress.com/python/

Työssä käyviä opiskelijoita kannustetaan hyödyntämään omalta työpaikalta löytyviä datoja.

Pasilan toimipiste

Ei tenttiä.

Suomi

22.08.2022 - 14.10.2022

Opiskelija analysoi omatoimisesti erilaisia datoja kurssilla opetettavia menetelmiä käyttäen.

13.06.2022 - 19.08.2022

22.8. - 26.8. Johdanto data-analytiikkaan / Asenna Anaconda koneellesi
29.8. - 2.9. Kuvaileva analytiikka
5.9. - 9.9. Selittävä analytiikka
12.9. - 16.9. Aikasarjat
19.9. - 23.9. Aikasarjaennustaminen
26.9. - 30.9. Luokittelumallit
3.10. - 7.10. Regressiomallit

MAICTF
MALEAF
MAPO
MACOMF
MAEXPFHA
MAENTF
VIRTUAL
MADIGF
MASTRF
MASALF

Aki Taanila

15 - 40

Arvosana määräytyy omien tuotosten perusteella. Jaossa on 20 pistettä neljästä eri osiosta (5 pistettä datan valmistelusta ja kuvailevasta analytiikasta, 5 pistettä selittävästä analytiikasta, 5 pistettä aikasarjoista, ja 5 pistettä mallintamisesta). Kurssin läpäisyyn vaaditaan vähintään 4 pistettä ja arvosana on eri osioiden pisteiden keskiarvo matemaattisesti pyöristettynä.

LUJOM Degree Programme in Business Development and Leadership, LITEM Degree Programme in Business Technologies, PAKEM Degree Programme in Service Business Leadership and Development

5 op

H-5