Data Science и применение искусственного интеллекта в ритейле

Магистратура 2025/2026

Статус: Курс обязательный (Управление B2C-бизнесом: технологии и инновации)

Кто читает: Департамент маркетинга

Где читается: Высшая школа бизнеса

Когда читается: 2-й курс, 2, 3 модуль

Охват аудитории: для своего кампуса

Язык: русский

Кредиты: 6

Контактные часы: 48

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс посвящён применению методов анализа данных и искусственного интеллекта в ритейле — персонализации предложений, управлению ассортиментом, прогнозированию спроса и оптимизации программ лояльности. Студенты проходят полный жизненный цикл DS-проекта: от постановки бизнес-задачи и подготовки данных до построения моделей, валидации, оценки экономического эффекта и интерпретации результатов. Формат обучения сочетает лекции и практические семинары с задачами на реальных данных ритейлеров. Итоговая аттестация включает командный проект и экзамен. По завершении курса студенты уверенно принимают решения на основе данных и умеют планировать и сопровождать внедрение AI-инициатив в розничных компаниях.

Цель освоения дисциплины

Овладение основными понятиями и подходами data-driven управления в ритейле, формирование навыков анализа рыночных и клиентских данных, постановки бизнес-гипотез и их преобразования в формализованные задачи.
Освоение методов подготовки, обработки и разведочного анализа транзакционных и поведенческих данных, а также построения и оценки базовых моделей машинного обучения.
Формирование умений подбора методов машинного обучения в зависимости от задач, интерпретации результатов и оценки качества моделей.
Приобретение компетенций в проектировании экспериментов для определения причинных эффектов и расчёта экономической эффективности внедряемых решений.
Развитие навыков управления проектами в области DS/AI с учётом этических и правовых аспектов работы с клиентскими данными.

Планируемые результаты обучения

Знает жизненный цикл и роли участников DS-проекта в ритейле.
Умеет формулировать бизнес-задачи в терминах данных и моделей.
Владеет навыками взаимодействия с командами DS/AI-проектов, постановки задач и интерпретации результатов.
Знает основные источники и типы данных (транзакции, каталоги, поведенческие логи), требования к качеству и приватности.
Умеет собирать, описывать и очищать данные, формировать дата-словарь и первичный отчет.
Владеет навыками работы с инструментами подготовки и анализа данных (python).
Знает методы разведочного анализа, построение baseline-моделей и метрики их оценки.
Умеет проводить базовый EDA, выявлять утечки и смещения, строить baseline-модели и оценивать их качество.
Знает подходы к построению рекомендательных систем и прогнозных моделей для ритейла.
Умеет выбирать и применять методы рекомендаций и прогнозирования с учётом бизнес-ограничений.
Владеет навыками настройки простых моделей рекомендации и прогнозов.
Знает принципы проектирования экспериментов, методы casual inference и расчета ROI.
Умеет проектировать эксперименты и рассчитывать экономическую эффективность решений.
Владеет навыками расчёта ROI, подготовки бизнес-обоснования и презентации результатов.
Знает основы управления DS/AI-проектами, мониторинга и внедрения решений.
Умеет планировать и контролировать DS/AI-проекты, готовить отчеты и защищать результаты.
Владеет навыками организации процессов внедрения и контроля DS/AI-проектов.
Знает этические и правовые аспекты применения ИИ.
Умеет выявлять и минимизировать этические и правовые риски при работе с данными.
Владеет навыками ответственного и этичного использования данных в ИИ и ритейле.
Владеет навыками интерпретации и визуализации результатов анализа данных.

Содержание учебной дисциплины

Введение в Data Science в ритейле.
Работа с данными и подготовка.
Разведочный анализ и базовые модели.
Модели рекомендаций и прогнозирования.
Эксперименты и оценка эффективности.
Внедрение и управление DS/AI-проектами.
Этика и перспективы ИИ в ритейле.

Элементы контроля

Домашняя работа (командная) 1
Формулировка бизнес-задачи (Problem Framing) и написание брифа (Data Brief). Командное задание по формулировке бизнес-задачи, определению целевой метрики, составлению карты данных и фиксации рисков. Команда из 4-5 человек. Сдача работы в SmartLMS.
Домашняя работа (командная) 2
Проведение разведывательного анализа данных, построение "baseline"-модели/правил, корректная валидация и интерпретация результатов. Работа в командах по 4-5 человек. Сдача отчета в SmartLMS.
Домашняя работа (командная) 3
MVP-модель и экспериментальный дизайн. Разработка и описание MVP-модели, планирование A/B-теста или квази-эксперимента, оценка рисков и ожидаемого эффекта. Работа в командах по 4-5 человек. Сдача отчета в SmartLMS.
Экзамен
Экзамен состоит из двух блоков. Первый блок: закрытые и открытые вопросы по темам курса. Второй блок: мини-кейс. Максимум 100 баллов.
Итоговый отчёт и питч
Презентация + письменный отчет. Финальный отчет проекта и 8-минутная командная защита. Демонстрация дашбордов и расчёта ROI.

Промежуточная аттестация

2025/2026 3rd module
0.1 * Домашняя работа (командная) 1 + 0.12 * Домашняя работа (командная) 2 + 0.13 * Домашняя работа (командная) 3 + 0.15 * Итоговый отчёт и питч + 0.5 * Экзамен

Список литературы

Авторы

Каканов Михаил Александрович
Старков Андрей Геннадьевич
Семерова Елена Александровна

Программа дисциплины