Бизнес-аналитика и ИИ как инструмент эффективного управления

Магистратура 2026/2027

Статус: Курс обязательный (Маркетинг: цифровые технологии и маркетинговые коммуникации)

Кто читает: Департамент бизнес-информатики

Где читается: Высшая школа бизнеса

Когда читается: 1-й курс, 3 модуль

Охват аудитории: для всех кампусов НИУ ВШЭ

Язык: русский

Кредиты: 3

Контактные часы: 24

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс охватывает как теоретические, так и практические аспекты бизнес-аналитики (BA) и инструментов ИИ в контексте реальных бизнес-задач. В условиях насыщенной данными среды бизнес нуждается в аналитике, чтобы оставаться конкурентоспособным. Курс делает акцент на аналитике данных как методе получения инсайтов из цифровых данных. Также рассматривается применение инструментов ИИ в бизнес-анализе. Задания курса обучают студентов работе с BI-сервисами для извлечения, обработки, анализа и визуализации данных, инструментов обработки данных и создания моделей машинного обучения. Цель курса — помочь студентам принимать более эффективные решения на основе данных. Курс включает лекции, анализ данных, создание ИИ моделей, кейсы, обсуждения и групповой проект, в рамках которого студенты отрабатывают применение методов BA и ИИ к реальным данным и задачам бизнеса.

Цель освоения дисциплины

Выбирать подходящие инструменты и методы бизнес-аналитики для решения задач.
Интерпретировать результаты анализа данных.
Применять бизнес-аналитику к реальным бизнес-задачам.
Использовать различные источники данных и инструменты в процессе анализа.
Находить, извлекать, оценивать и подготавливать данные для анализа.
Создавать понятные визуализации данных и презентации.
Разрабатывать интерактивные дашборды и отчеты с помощью инструментов бизнес-аналитики.

Планируемые результаты обучения

Владеть навыками подготовки аналитических материалов по результатам исследовательских и аналитических проектов для информационного обеспечения принятия управленческих решений
Владеть навыками применения современных техник и методик сбора данных, продвинутых методов их обработки и анализа, методами количественного и качественного анализа для принятия управленческих решений
Умеет извлекать данные из источников, анализировать качество данных, обнаруживать статистические особенности данных и выявлять аномалии
Уметь обрабатывать эмпирические и экспериментальные данные

Содержание учебной дисциплины

Предварительный анализ данных
Методы и модели анализа данных
Представление результатов анализа данных

Элементы контроля

Посещение
Учитывает регулярность присутствия студента на занятиях (лекциях и практиках) в течение курса. Отражает базовую вовлечённость в учебный процесс и создаёт условия для равномерного освоения материала, необходимого для выполнения проекта и его защиты.
Работа на занятиях
Оценивает активное участие студента в практических занятиях: разбор кейсов, обсуждение задач, выполнение мини-заданий по ходу занятия, качество вопросов и включённость в дискуссию. Показывает, насколько студент осваивает материал не пассивно, а через практическое применение в моменте.
Проект
Итоговая практическая работа, выполняемая малыми группами (5-6 человек) на протяжении курса: студенты работают с данными, применяют изученные методы аналитики и/или машинного обучения и оформляют результат в виде готового решения (например, дашборда с элементом предиктивной аналитики). Оценивает способность самостоятельно пройти путь от постановки задачи до рабочего результата.
Защита проекта
Устная защита итогового проекта перед преподавателем: обоснование выбранных методов анализа/модели, интерпретация полученных результатов, ответы на вопросы по ходу проекта. Заменяет отдельный экзамен — теоретическое и практическое понимание курса проверяется через способность объяснить и отстоять собственное решение, а не через отдельный тест.
Задания на повышенные баллы
Необязательные задания, выполняемые по желанию сверх основной программы — для студентов, претендующих на максимальную оценку. Проверяют способность самостоятельно, без прямых указаний преподавателя, применять изученные методы на новом материале.

Промежуточная аттестация

2026/2027 3rd module
0.25 * Проект + 0.15 * Задания на повышенные баллы + 0.1 * Посещение + 0.4 * Защита проекта + 0.1 * Работа на занятиях

Список литературы

Авторы

Лебедев Никита Александрович
Брускин Сергей Наумович
Громова Алла Александровна

Программа дисциплины