Data science w biznesie I

Program zajęć przewiduje przedstawienie i omówienie głównych elementów transformacji data science z perspektywy praktyki gospodarczej. Zajęcia są prowadzone w formie wykładu i ćwiczeń. W ramach części ćwiczeniowej studenci analizują rzeczywiste przykłady wprowadzania rozwiązań data science w biznesie. Cykl zajęć przewiduje konwersatoria z zaproszonymi praktykami biznesu.

Głównym celem proponowanego przedmiotu jest zaznajomienie studentów z praktycznymi aspektami produkcyjnych wdrożeń rozwiązań Data Science w przedsiębiorstwach. W obszarze tym autorzy oferty mają doświadczenie biznesowe bazujące na wdrożeniach w kilkunastu firmach będących liderami w swoich branżach w Polsce. Rzeczywiste wdrożenia rzadko kiedy wychodzą z fazy tzw. proof of concept ze względu na problemy związane z

a. poprawnym zdefiniowaniem wymagań biznesowych

b. produkcyjną integracją opracowanych modeli z rzeczywistymi zbiorami danych, na których operują firmy

c. wkomponowaniem rozwiązań Data Science w rzeczywiste procesy decyzyjne firm

W efekcie, jak wskazują liczne badania, zaledwie 15-20% wdrożeń rozwiązań Data Science osiąga zakładane efekty biznesowe. Powodem tak słabego wyniku nie jest w większości przypadków złożoność samych narzędzi Data Science, lecz nieumiejętność poprawnego zdefiniowana celów, jakie te narzędzia mają realizować, a także dobór narzędzi adekwatnych do zdefiniowanego celu. Celem przedmiotu jest wyposażenie studentów w te kompetencje. W trakcie zajęć studenci poznają główne elementy procesu transformacji data science, w tym m.in. właściwe zdefiniowanie problemu biznesowego, podstawowe metody eksploracji danych oraz główne klasy modeli data science i sposoby weryfikacji ich wartości biznesowej. Przedmiot jest skierowany do wszystkich osób, które chcą poznać istotę transformacji data science z perspektywy osób zarządzających przedsiębiorstwami, a nie informatyków. Zajęcia obejmują cykl spotkań z praktykami Data Science.

Literatura podstawowa:

Fawcett T., Provost F. (2019): Analiza danych w biznesie. Sztuka podejmowania skutecznych decyzji, Helion.

Sharda R., Delen D., Turban E. (2017) : Business Intelligence, Analytics, and Data Science: Managerial Perspective, Pearson.

Bekes G. Kezdi G. (2021): Data Analysis for Business, Economics, and Policy, Cambridge University Press.

Literatura uzupełniająca:

1. Ulrika Jägare, 2019, Data Science Strategy For Dummies

2. Douglas B. Laney, 2022, Data Juice: 101 Stories of How Organizations Are Squeezing Value from Available Data Assets

3. Caroline Carruthers , Peter Jackson, 2020, The Chief Data Officer's Playbook, Facet Publishing

Publikacje własne:

Piotr Ciżkowicz, Andrzej Rzońca, Are major central banks blinded by the analytical elegance of their models? Possible costs of unconventional monetary policy measures, W: SINGAPORE ECONOMIC REVIEW,2017;

Piotr Ciżkowicz, Andrzej Rzońca, Wiktor Wojciechowski, Bartosz Radzikowski, Fiscal devaluation and economic activity in the EU, W: ECONOMIC MODELLING,2020;

Piotr Ciżkowicz, Andrzej Rzońca, Magda Ciżkowicz-Pękała, Piotr Pękała, The effects of special economic zones on employment and investment: a spatial panel modeling perspective, W: JOURNAL OF ECONOMIC GEOGRAPHY,2017

Kryteria oceniania:

egzamin tradycyjny-pisemny: 0.00%

egzamin testowy: 0.00%

egzamin ustny: 0.00%

kolokwium: 0.00%

referaty/eseje: 0.00%

ocena z ćwiczeń: 0.00%

inne: 0.00%

projekty: 50.00%

studia przypadków: 25.00%

prezentacje indywidualne lub grupowe: 25.00%

Program zajęć przewiduje przedstawienie i omówienie głównych elementów transformacji data science z perspektywy praktyki gospodarczej. Zajęcia są prowadzone w formie wykładu i ćwiczeń. W ramach części ćwiczeniowej studenci analizują rzeczywiste przykłady wprowadzania rozwiązań data science w biznesie. Cykl zajęć przewiduje konwersatoria z zaproszonymi praktykami biznesu.

Głównym celem proponowanego przedmiotu jest zaznajomienie studentów z praktycznymi aspektami produkcyjnych wdrożeń rozwiązań Data Science w przedsiębiorstwach. W obszarze tym autorzy oferty mają doświadczenie biznesowe bazujące na wdrożeniach w kilkunastu firmach będących liderami w swoich branżach w Polsce. Rzeczywiste wdrożenia rzadko kiedy wychodzą z fazy tzw. proof of concept ze względu na problemy związane z

a. poprawnym zdefiniowaniem wymagań biznesowych

b. produkcyjną integracją opracowanych modeli z rzeczywistymi zbiorami danych, na których operują firmy

c. wkomponowaniem rozwiązań Data Science w rzeczywiste procesy decyzyjne firm

W efekcie, jak wskazują liczne badania, zaledwie 15-20% wdrożeń rozwiązań Data Science osiąga zakładane efekty biznesowe. Powodem tak słabego wyniku nie jest w większości przypadków złożoność samych narzędzi Data Science, lecz nieumiejętność poprawnego zdefiniowana celów, jakie te narzędzia mają realizować, a także dobór narzędzi adekwatnych do zdefiniowanego celu. Celem przedmiotu jest wyposażenie studentów w te kompetencje. W trakcie zajęć studenci poznają główne elementy procesu transformacji data science, w tym m.in. właściwe zdefiniowanie problemu biznesowego, podstawowe metody eksploracji danych oraz główne klasy modeli data science i sposoby weryfikacji ich wartości biznesowej. Przedmiot jest skierowany do wszystkich osób, które chcą poznać istotę transformacji data science z perspektywy osób zarządzających przedsiębiorstwami, a nie informatyków. Zajęcia obejmują cykl spotkań z praktykami Data Science.

Literatura podstawowa:

Fawcett T., Provost F. (2019): Analiza danych w biznesie. Sztuka podejmowania skutecznych decyzji, Helion.

Sharda R., Delen D., Turban E. (2017) : Business Intelligence, Analytics, and Data Science: Managerial Perspective, Pearson.

Bekes G. Kezdi G. (2021): Data Analysis for Business, Economics, and Policy, Cambridge University Press.

Literatura uzupełniająca:

1. Ulrika Jägare, 2019, Data Science Strategy For Dummies

2. Douglas B. Laney, 2022, Data Juice: 101 Stories of How Organizations Are Squeezing Value from Available Data Assets

3. Caroline Carruthers , Peter Jackson, 2020, The Chief Data Officer's Playbook, Facet Publishing

Publikacje własne:

Piotr Ciżkowicz, Andrzej Rzońca, Are major central banks blinded by the analytical elegance of their models? Possible costs of unconventional monetary policy measures, W: SINGAPORE ECONOMIC REVIEW,2017;

Piotr Ciżkowicz, Andrzej Rzońca, Wiktor Wojciechowski, Bartosz Radzikowski, Fiscal devaluation and economic activity in the EU, W: ECONOMIC MODELLING,2020;

Piotr Ciżkowicz, Andrzej Rzońca, Magda Ciżkowicz-Pękała, Piotr Pękała, The effects of special economic zones on employment and investment: a spatial panel modeling perspective, W: JOURNAL OF ECONOMIC GEOGRAPHY,2017

Kryteria oceniania:

egzamin tradycyjny-pisemny: 0.00%

egzamin testowy: 0.00%

egzamin ustny: 0.00%

kolokwium: 0.00%

referaty/eseje: 0.00%

ocena z ćwiczeń: 0.00%

inne: 0.00%

projekty: 50.00%

studia przypadków: 25.00%

prezentacje indywidualne lub grupowe: 25.00%

Program zajęć przewiduje przedstawienie i omówienie głównych elementów transformacji data science z perspektywy praktyki gospodarczej. Zajęcia są prowadzone w formie wykładu i ćwiczeń. W ramach części ćwiczeniowej studenci analizują rzeczywiste przykłady wprowadzania rozwiązań data science w biznesie. Cykl zajęć przewiduje konwersatoria z zaproszonymi praktykami biznesu.

Głównym celem proponowanego przedmiotu jest zaznajomienie studentów z praktycznymi aspektami produkcyjnych wdrożeń rozwiązań Data Science w przedsiębiorstwach. W obszarze tym autorzy oferty mają doświadczenie biznesowe bazujące na wdrożeniach w kilkunastu firmach będących liderami w swoich branżach w Polsce. Rzeczywiste wdrożenia rzadko kiedy wychodzą z fazy tzw. proof of concept ze względu na problemy związane z

a. poprawnym zdefiniowaniem wymagań biznesowych

b. produkcyjną integracją opracowanych modeli z rzeczywistymi zbiorami danych, na których operują firmy

c. wkomponowaniem rozwiązań Data Science w rzeczywiste procesy decyzyjne firm

W efekcie, jak wskazują liczne badania, zaledwie 15-20% wdrożeń rozwiązań Data Science osiąga zakładane efekty biznesowe. Powodem tak słabego wyniku nie jest w większości przypadków złożoność samych narzędzi Data Science, lecz nieumiejętność poprawnego zdefiniowana celów, jakie te narzędzia mają realizować, a także dobór narzędzi adekwatnych do zdefiniowanego celu. Celem przedmiotu jest wyposażenie studentów w te kompetencje. W trakcie zajęć studenci poznają główne elementy procesu transformacji data science, w tym m.in. właściwe zdefiniowanie problemu biznesowego, podstawowe metody eksploracji danych oraz główne klasy modeli data science i sposoby weryfikacji ich wartości biznesowej. Przedmiot jest skierowany do wszystkich osób, które chcą poznać istotę transformacji data science z perspektywy osób zarządzających przedsiębiorstwami, a nie informatyków. Zajęcia obejmują cykl spotkań z praktykami Data Science.

Literatura podstawowa:

Fawcett T., Provost F. (2019): Analiza danych w biznesie. Sztuka podejmowania skutecznych decyzji, Helion.

Sharda R., Delen D., Turban E. (2017) : Business Intelligence, Analytics, and Data Science: Managerial Perspective, Pearson.

Bekes G. Kezdi G. (2021): Data Analysis for Business, Economics, and Policy, Cambridge University Press.

Literatura uzupełniająca:

1. Ulrika Jägare, 2019, Data Science Strategy For Dummies

2. Douglas B. Laney, 2022, Data Juice: 101 Stories of How Organizations Are Squeezing Value from Available Data Assets

3. Caroline Carruthers , Peter Jackson, 2020, The Chief Data Officer's Playbook, Facet Publishing

Publikacje własne:

Piotr Ciżkowicz, Andrzej Rzońca, Are major central banks blinded by the analytical elegance of their models? Possible costs of unconventional monetary policy measures, W: SINGAPORE ECONOMIC REVIEW,2017;

Piotr Ciżkowicz, Andrzej Rzońca, Magda Ciżkowicz-Pękała, Piotr Pękała, The effects of special economic zones on employment and investment: a spatial panel modeling perspective, W: JOURNAL OF ECONOMIC GEOGRAPHY,2017;

Piotr Ciżkowicz, Andrzej Rzońca, Wiktor Wojciechowski, Bartosz Radzikowski, Fiscal devaluation and economic activity in the EU, W: ECONOMIC MODELLING,2020 Doświadczenie zawodowe lub doświadczenie dydaktyczne: Członkowie zespołu są czynnymi akademikami i praktykami gospodarczymi specjalizującymi się w projektowaniu, realizacji i zarządzaniem procesami transformacji data science w przedsiębiorstwach działających w różnych sektorach gospodarki. Posiadają wiedzę i umiejętności w tworzeniu i implementacji narzędzi uczenia maszynowego i optymalizacji matematycznej do wspierania decyzji biznesowych. Członkowie zespołu cyklicznie prezentują efekty wdrożeń rozwiązań data science na czołowych konferencjach z tego obszaru:

Ciżkowicz P., Szufel P. (2021): Planning bicycle manufacturing and distribution with massive optimization models, Data Science Summit 2021

Ciżkowicz P., Polutichy N., Szufel P. (2022) Mathematical optimization for multi-stage multi-source industrial production planning and managing stockpile costs, Data Science Summit 2022

Kryteria oceniania:

egzamin tradycyjny-pisemny: 0.00%

egzamin testowy: 0.00%

egzamin ustny: 0.00%

kolokwium: 0.00%

referaty/eseje: 0.00%

ocena z ćwiczeń: 0.00%

inne: 0.00%

projekty: 50.00%

studia przypadków: 25.00%

prezentacje indywidualne lub grupowe: 25.00%

Program zajęć przewiduje przedstawienie i omówienie głównych elementów transformacji data science z perspektywy praktyki gospodarczej. Zajęcia są prowadzone w formie wykładu i ćwiczeń. W ramach części ćwiczeniowej studenci analizują rzeczywiste przykłady wprowadzania rozwiązań data science w biznesie. Cykl zajęć przewiduje konwersatoria z zaproszonymi praktykami biznesu.

Głównym celem proponowanego przedmiotu jest zaznajomienie studentów z praktycznymi aspektami produkcyjnych wdrożeń rozwiązań Data Science w przedsiębiorstwach. W obszarze tym autorzy oferty mają doświadczenie biznesowe bazujące na wdrożeniach w kilkunastu firmach będących liderami w swoich branżach w Polsce. Rzeczywiste wdrożenia rzadko kiedy wychodzą z fazy tzw. proof of concept ze względu na problemy związane z

a. poprawnym zdefiniowaniem wymagań biznesowych

b. produkcyjną integracją opracowanych modeli z rzeczywistymi zbiorami danych, na których operują firmy

c. wkomponowaniem rozwiązań Data Science w rzeczywiste procesy decyzyjne firm

W efekcie, jak wskazują liczne badania, zaledwie 15-20% wdrożeń rozwiązań Data Science osiąga zakładane efekty biznesowe. Powodem tak słabego wyniku nie jest w większości przypadków złożoność samych narzędzi Data Science, lecz nieumiejętność poprawnego zdefiniowana celów, jakie te narzędzia mają realizować, a także dobór narzędzi adekwatnych do zdefiniowanego celu. Celem przedmiotu jest wyposażenie studentów w te kompetencje. W trakcie zajęć studenci poznają główne elementy procesu transformacji data science, w tym m.in. właściwe zdefiniowanie problemu biznesowego, podstawowe metody eksploracji danych oraz główne klasy modeli data science i sposoby weryfikacji ich wartości biznesowej. Przedmiot jest skierowany do wszystkich osób, które chcą poznać istotę transformacji data science z perspektywy osób zarządzających przedsiębiorstwami, a nie informatyków. Zajęcia obejmują cykl spotkań z praktykami Data Science.

Literatura podstawowa:

Fawcett T., Provost F. (2019): Analiza danych w biznesie. Sztuka podejmowania skutecznych decyzji, Helion.

Sharda R., Delen D., Turban E. (2017) : Business Intelligence, Analytics, and Data Science: Managerial Perspective, Pearson.

Bekes G. Kezdi G. (2021): Data Analysis for Business, Economics, and Policy, Cambridge University Press.

Literatura uzupełniająca:

1. Ulrika Jägare, 2019, Data Science Strategy For Dummies

2. Douglas B. Laney, 2022, Data Juice: 101 Stories of How Organizations Are Squeezing Value from Available Data Assets

3. Caroline Carruthers , Peter Jackson, 2020, The Chief Data Officer's Playbook, Facet Publishing

Publikacje własne:

Piotr Ciżkowicz, Andrzej Rzońca, Are major central banks blinded by the analytical elegance of their models? Possible costs of unconventional monetary policy measures, W: SINGAPORE ECONOMIC REVIEW,2017;

Piotr Ciżkowicz, Andrzej Rzońca, Magda Ciżkowicz-Pękała, Piotr Pękała, The effects of special economic zones on employment and investment: a spatial panel modeling perspective, W: JOURNAL OF ECONOMIC GEOGRAPHY,2017;

Piotr Ciżkowicz, Andrzej Rzońca, Wiktor Wojciechowski, Bartosz Radzikowski, Fiscal devaluation and economic activity in the EU, W: ECONOMIC MODELLING,2020 Doświadczenie zawodowe lub doświadczenie dydaktyczne: Członkowie zespołu są czynnymi akademikami i praktykami gospodarczymi specjalizującymi się w projektowaniu, realizacji i zarządzaniem procesami transformacji data science w przedsiębiorstwach działających w różnych sektorach gospodarki. Posiadają wiedzę i umiejętności w tworzeniu i implementacji narzędzi uczenia maszynowego i optymalizacji matematycznej do wspierania decyzji biznesowych. Członkowie zespołu cyklicznie prezentują efekty wdrożeń rozwiązań data science na czołowych konferencjach z tego obszaru:

Ciżkowicz P., Szufel P. (2021): Planning bicycle manufacturing and distribution with massive optimization models, Data Science Summit 2021

Ciżkowicz P., Polutichy N., Szufel P. (2022) Mathematical optimization for multi-stage multi-source industrial production planning and managing stockpile costs, Data Science Summit 2022

Kryteria oceniania:

egzamin tradycyjny-pisemny: 0.00%

egzamin testowy: 0.00%

egzamin ustny: 0.00%

kolokwium: 0.00%

referaty/eseje: 0.00%

ocena z ćwiczeń: 0.00%

inne: 0.00%

projekty: 50.00%

studia przypadków: 25.00%

prezentacje indywidualne lub grupowe: 25.00%