Бизнес-аналитика и ИИ для поддержки управленческих решений

Магистратура 2025/2026

Статус: Курс обязательный (Стратегический менеджмент: инвестиции и консалтинг)

Кто читает: Департамент бизнес-информатики

Где читается: Высшая школа бизнеса

Когда читается: 1-й курс, 2, 3 модуль

Охват аудитории: для всех кампусов НИУ ВШЭ

Язык: русский

Кредиты: 6

Контактные часы: 48

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс «Бизнес-аналитика и ИИ для поддержки управленческих решений» предоставляет комплексное понимание современных методов анализа данных и их практического применения для повышения эффективности бизнеса. Программа дает менеджерам и специалистам ключевые навыки для самостоятельной работы с данными - от их сбора и очистки до построения прогнозных моделей и создания интерактивных дашбордов. В ходе обучения раскрываются передовые интеллектуальные технологии, включая машинное обучение, BI-системы и генеративный ИИ, которые позволяют проводить глубокий анализ, проверять гипотезы и обосновывать стратегические решения. Курс охватывает полный цикл внедрения аналитических решений в бизнес-процессы: от формулировки требований и методологии CRISP-DM до оценки ROI и юнит-экономики ML-моделей. Освоенные подходы и инструменты подходят для индивидуального и коллективного использования при решении широкого спектра задач в таких областях, как ритейл, финтех и логистика и других, обеспечивая выпускников способностью реализовывать end-to-end проекты на стыке бизнес-аналитики и ИИ.

Цель освоения дисциплины

Сформировать навыки проведения полного цикла анализа данных: от постановки бизнес-задачи до реализации и внедрения решения
Приобрести умение интерпретировать результаты анализа данных и машинного обучения и доносить их до заинтересованных сторон в форме презентаций и дашбордов
Готовность самостоятельно организовать работу по внедрению элементов ИИ и бизнес-аналитики в операционные и стратегические процессы компании

Планируемые результаты обучения

Знать основные концепции, виды (аналитика планирования, аналитика процессов, аналитика данных) и тренды (AutoML, LLM) в области бизнес-аналитики и ИИ
Знать принципы работы с данными: этапы ETL, методы разведочного анализа (EDA) и подходы к обеспечению их качества
Знать основы машинного обучения: типы задач, ключевые алгоритмы, методы валидации и интерпретации ML-моделей
Знать принципы построения эффективных дашбордов и возможности современных BI-платформ
Знать основы применения генеративного ИИ в бизнесе, включая техники промпт-инжиниринга и RAG
Знать методологию внедрения ИИ-проектов (CRISP-DM) и подходы к оценке их ROI и экономической эффективности
Уметь проводить сбор, очистку и первичный анализ данных с использованием Python (Pandas) и SQL
Уметь строить, оценивать и интерпретировать прогнозные модели машинного обучения для решения типовых бизнес-задач (прогнозирование спроса и т.п.)
Уметь создавать интерактивные дашборды и отчеты в BI-системах для визуализации KPI и результатов работы ML-моделей
Уметь формулировать эффективные запросы (Prompt Chaining) для больших языковых моделей (LLM) и применять их для автоматизации бизнес-задач (настройка чат-бота и др.)
Уметь формулировать бизнес-требования к аналитическим решениям и оценивать экономические последствия их внедрения

Содержание учебной дисциплины

Тема 1. Введение в бизнес-аналитику и ИИ
Тема 2. Основы работы с данными
Тема 3. Машинное обучение для бизнеса
Тема 4. BI-системы и визуализация
Тема 5. Генеративный ИИ и промпт-инжиниринг
Тема 6. Внедрение ИИ в бизнес-процессы

Элементы контроля

Активность на семинарах: Домашнее задание - 1
Студенты в командном формате (3-5 человек) выполняют домашние и др. практические задания по анализу данных, разработке дашбородов и предиктивному моделированию.
Онлайн-тест: Тест - 1
Письменный онлайн-тест по теории с использованием платформы Start Exam с прокторингом. Проводится на последнем лекционном занятии и реализуется для всего потока студентов
Активность на семинарах: Домашнее задание - 2
Студенты в командном формате (3-5 человек) выполняют домашние и др. практические задания по разработке комплексных аналитических решений с использованием современных BI-инструментов, генеративного ИИ и методов предиктивной аналитики.
Онлайн-тест: Тест - 2
Письменный онлайн-тест по теории с использованием платформы Start Exam с прокторингом. Проводится на последнем лекционном занятии и реализуется для всего потока студентов
Отчет по проекту
Защита результатов командного проекта: Защита работы
Экзамен в форме защиты результатов командного проекта. Необходимые материалы для успешной защиты: 1. Отчет по выполненному проекту, сданный до начала экзаменационной сессии 2. Презентация результатов проекта в виде 10-12 слайдов 3. Предзаписанный видеоролик с демонстрацией разработанного решения (3-5 минут), сданный до начала экзаменационной сессии Оценка на экзамене зависит от качества предоставленных материалов, а также качества ответов на вопросы каждого участника проектной команды.

Промежуточная аттестация

2025/2026 3rd module
0.15 * Активность на семинарах: Домашнее задание - 1 + 0.15 * Активность на семинарах: Домашнее задание - 2 + 0.25 * Защита результатов командного проекта: Защита работы + 0.1 * Онлайн-тест: Тест - 1 + 0.1 * Онлайн-тест: Тест - 2 + 0.25 * Отчет по проекту

Список литературы

Авторы

Короткин Борис Александрович
Редькина Галина Сергеевна
Брускин Сергей Наумович

Программа дисциплины