• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
2026/2027

Бизнес-аналитика и ИИ как инструмент эффективного управления

ID 1271131

Статус: Маго-лего
Когда читается: 2 модуль
Онлайн-часы: 20
Охват аудитории: для своего кампуса
Язык: русский
Кредиты: 3
Контактные часы: 24

Программа дисциплины

Аннотация

Курс охватывает как теоретические, так и практические аспекты бизнес-аналитики (BA) и инструментов ИИ в контексте реальных бизнес-задач, фокусируясь на работе с данными. В условиях насыщенной данными среды бизнес нуждается в инструментах быстрой обработки данных, чтобы оставаться конкурентоспособным. Курс делает акцент на аналитике данных как методе получения инсайтов из цифровых данных. Также рассматривается применение инструментов ИИ в бизнес-анализе, в том числе GenAI. 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 - научить студентов основным подходам по работе с данными, дать обзор трендов в области бизнес-анализа, сформировать основу навыка применения ИИ в области бизнес анализа для задач маркетинга. Курс включает лекции, анализ данных, работы с практическим кейсом в области создания маркетингового контента с помощью ИИ.
Цель освоения дисциплины

Цель освоения дисциплины

  • Находить, извлекать, оценивать и подготавливать данные для анализа.
  • Выбирать подходы и инструменты бизнес-аналитики для решения задач
  • Интерпретировать результаты анализа данных
  • Квалифицировать и использовать различные источники данных и инструменты в процессе анализа.
  • Создавать доступные для восприятия визуализации данных и презентационные материалы.
  • Разрабатывать интерактивные дашборды и отчеты с помощью ИТ инструментов и формировать контент с помощью ИИ.
Планируемые результаты обучения

Планируемые результаты обучения

  • Владеть навыками подготовки аналитических материалов по результатам исследовательских проектов в области маркетинга и управления
  • Владеть навыками применения современных техник и методик сбора, обработки и анализа данных, методами количественного и качественного анализа данных
  • Понимать основы ИИ, в том числе GenAI, с точки зрения технической реализации, применимости, возможностей, ограничений и рисков для существующих инструментов в рамках маркетинговых задач
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Основы работы с данными
  • Продвинутые инструменты дата аналитики и ML
  • Генеративный ИИ и нейросети: принципы работы, области применения, инструменты.
Элементы контроля

Элементы контроля

  • неблокирующий Посещаемость
  • неблокирующий ДЗ1
    Домашнее задание по машинному обучению направлено на разработку сквозной модели машинного обучения, демонстрирующей владение полным циклом анализа данных по методологии CRISP-DM на примере одного из трех бизнес-кейсов на выбор: от постановки гипотез и проведения EDA (не менее 4–5 графиков с выводами) до предобработки признаков без утечки данных, построения и кросс-валидации не менее трех ML-моделей, интерпретации факторов и финальной оценки коммерческой эффективности решения (в деньгах или времени) на основе прикладных бизнес-допущений. Задание выполняется в группах по 5 человек.
  • неблокирующий ДЗ2
    Домашнее задание по визуализации данных направлено на проектирование и разработку интерактивного бизнес-дашборда в BI-системе, демонстрирующего владение полным циклом работы по методологиям С. Фью и Р. Бунина: от анализа пользовательских сценариев (User Personas, CJM) и формирования матрицы KPI до очистки данных, построения интерфейса с высоким показателем Data-Ink Ratio, реализации интерактивной логики (drill-down, cross-filtering) и внедрения текстовой управленческой аналитики с рекомендациями прямо в структуру визуального решения.
  • блокирующий Проект
    Командный проект по дисциплине направлен на разработку сквозного прототипа аналитического бизнес-решения (с использованием инструментов Orange и DataLens), демонстрирующего владение полным циклом анализа данных по методологии CRISP-DM в группах до 5 человек с четким распределением ролей: от постановки бизнес-целей, проведения EDA и предобработки данных до построения и валидации предиктивных моделей, проектирования интерактивных дашбордов и оценки коммерческой эффективности решения в деньгах или времени, с обязательным предоставлением детального отчета, файлов сценариев, 3–5 минутной видеодемонстрации и последующей публичной защитой презентации на экзамене. Роли в команде распределяются следующим образом: - Руководитель проекта (Бизнес-аналитик) • Область ответственности: Этапы определения бизнес-целей и внедрения решения. • Задачи: Координирует работу команды и контролирует сроки; формулирует проблему исследования, рабочие гипотезы и критерии успеха; отвечает за финальный расчет коммерческой эффективности (в деньгах или времени); готовит краткое резюме для руководства компании. - Специалист по обработке данных (Инженер данных) • Область ответственности: Этапы первичного анализа и непосредственной подготовки данных. • Задачи: Проводит аудит качества исходного массива данных, выявляет пропуски, аномалии и дубликаты; выполняет фильтрацию, перекодирование и масштабирование признаков в среде Orange; формирует итоговую чистую таблицу данных для построения моделей и аналитики. - Разработчик моделей машинного обучения (Разработчик ML) • Область ответственности: Этапы построения и комплексной оценки моделей. • Задачи: Создает новые синтетические признаки (переменные) на основе имеющихся; настраивает аналитические сценарии, подбирает параметры и обучает не менее 3 различных алгоритмов в Orange; проводит перекрестную проверку, анализирует математические метрики качества и обосновывает выбор лучшего алгоритма. - Специалист по бизнес-аналитике (BI-аналитик) • Область ответственности: Визуализация данных на этапе первичного анализа и финального внедрения. • Задачи: Разрабатывает интерактивные панели отчетности в DataLens для отслеживания результатов прогнозирования; отвечает за графическое представление данных в рамках разведочного анализа; проектирует логику интерфейса панели под запросы пользователей, очищая экран от визуального шума. - Технический писатель (Аналитик по внедрению и документации) • Область ответственности: Полное документирование проекта, подготовка презентации и видеоролика. • Задачи: Сводит результаты работы всех участников в единый итоговый отчет строго по шаблону; описывает структуру файлов проекта, логику расчетных цепочек Orange и способы их запуска; создает презентацию (10–12 слайдов) и записывает краткий демонстрационный видеоролик (3–5 минут) с обзором готового решения.
Промежуточная аттестация

Промежуточная аттестация

  • 2026/2027 2nd module
    0.25 * ДЗ1 + 0.4 * Проект + 0.1 * Посещаемость + 0.25 * ДЗ2
Список литературы

Список литературы

Рекомендуемая основная литература

  • Гобарева Я.Л., Городецкая О.Ю., Золотарюк А.В. - Бизнес-аналитика средствами Excel - 978-5-9558-0560-3 - Вузовский учебник - 2023 - https://znanium.ru/catalog/document?id=416504 - 416504 - ZNANIUM
  • Миркин, Б. Г.  Введение в анализ данных : учебник и практикум / Б. Г. Миркин. — Москва : Издательство Юрайт, 2024. — 174 с. — (Высшее образование). — ISBN 978-5-9916-5009-0. — Текст : электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/536117 (дата обращения: 02.07.2026).
  • Основы бизнес-анализа - Гущина О. М., Аникина О. В. - Тольяттинский государственный университет - 978-5-8259-1363-6 - 2023 - русский - https://e.lanbook.com/book/407678 - ЛАНЬ - 407678

Рекомендуемая дополнительная литература

  • Основы искусственного интеллекта : учебное пособие. — 6-е изд., электрон. - Боровская Е. В., Давыдова Н. А. - Москва: Лаборатория знаний - 978-5-93208-797-8 - 2024 - русский - https://ibooks.ru/product/335551 - iBOOKS - 335551

Авторы

  • Громова Алла Александровна