Szkoła Główna Handlowa w Warszawie - Centralny System UwierzytelnianiaNie jesteś zalogowany | zaloguj się
katalog przedmiotów - pomoc

Zaawansowana analityka biznesowa - siła modeli predykcyjnych

Informacje ogólne

Kod przedmiotu: 226160-D Kod Erasmus / ISCED: 11.2 / (0542) Statystyka
Nazwa przedmiotu: Zaawansowana analityka biznesowa - siła modeli predykcyjnych
Jednostka: Szkoła Główna Handlowa w Warszawie
Grupy: Przedmioty obowiązkowe na programie SMMD-ADA
Punkty ECTS i inne: 4.50 (zmienne w czasie)
zobacz reguły punktacji
Język prowadzenia: polski
Skrócony opis:

Zaawansowane analizy biznesowe. Modele predykcyjne. Imputacja danych. Zaawansowane modele liniowe. Modele oceny wartości klienta w czasie.

Pełny opis:

Zajęcia mają na celu przekazanie studentom kompleksowej wiedzy w zakresie zaawansowanej analityki biznesowej opartej na danych przekrojowych oraz wzdłużnych. Techniki analityczne będą zaprezentowane w kontekście problemów biznesowych z zakresu badań klinicznych, badań marketingowych, głównie relacji z klientem, a także problemów ekonomicznych. Studenci zapoznają się z istotą, zakresem i znaczeniem zaawansowanych analiz biznesowych; z metodami imputacji danych, technikami eksploracji danych z wykorzystaniem modeli liniowych i z zaawansowanymi modelami liniowymi oraz technikami segmentacji klientów i oceny wartości relacji z klientem w czasie.

Celem zajęć jest przekazanie studentom wiedzy z zakresu zaawansowanej analityki biznesowej. W toku zajęć prezentowane są filozofia oraz teoretyczne podstawy estymacji oraz weryfikacji zaawansowanych modeli biznesowych, jak również wskazywane są obszary zastosowań aplikacyjnych ze szczególnym nastawienie na praktyczne umiejętności posługiwania się poszczególnymi metodami i modelami w rozwiązywaniu problemów biznesowych. Zajęcia składają się trzech bloków obejmujących odpowiednio zagadnienia imputacji danych, modeli liniowych i oceny wartości relacji z klientem w czasie. Studenci zapoznają się zarówno z praktycznym aspektem imputacji danych jak i ze znaczeniem imputacji w podejmowaniu decyzji biznesowych. W ramach zajęć laboratoryjnych studenci mają możliwość doświadczenia pełnego procesu budowy modeli uwzględniającego poszczególne etapy ich konstrukcji: przygotowania bazy danych, na które składa się imputacja danych, zdefiniowania oraz selekcji zmiennych, estymacji, weryfikacji, oceny i poprawy jakości modelu oraz wykorzystaniu go do predykcji. Kontekst BIG DATA będzie uwzględniony. Głównym językiem programowania w ramach zajęć jest SAS, dodatkowymi R i Python. Zajęcia wchodzą w skład Certyfikatu: Data Scientist z Systemem SAS, studia magisterskie, stacjonarne, kierunek: Analiza Danych - Big Data.

Literatura:

Literatura podstawowa:

Aanderud T., Collum R., Kumpfmiller R., An Introduction to SAS Visual Analytics: How to Explore Numbers , Design Reports, and Gain Insight into Your Data. SAS Institute, Cary , 2017.

Advanced Business Analytics - SAS Course Materials. SAS Institute , Cary 2015.

Allison A., Missing Data, Thousand Oaks: Sage University Paper, 2002.

Fader P., Hardie B.G., How to project customer retention, J. of Interactive Marketing, 2007 Frątczak E. red. Zaawansowane Metody Analiz Statystycznych, SGH, Warszawa 2012 Frątczak E., I inni red. Statystyka - zastosowania biznesowe i społeczne, WSM, 2015 Warszawa

Korczyński A., Screening wariancji jako narzędzie wykrywania zmowy cenowej. Istota i znaczenie imputacji danych, Oficyna wydawnicza SGH, Warszawa, 2018.

Korczyński A, Review of methods for data sets with missing values and practical applications, Śląski Przegląd Statystyczny , Wrocław, Uniwersytet Ekonomiczny we Wrocławiu, 2014, s. 83-104.

Korczyński A., Własności estymatorów - porównanie kalibracji i imputacji wielokrotnej, Statystyka - zastosowania biznesowe i społeczne, Warszawa, Wydawnictwo Wyższej Szkoły Menedżerskiej w Warszawie, 2014, s. 183-194.

Linoff S.G., Data Analysis Using SQL and Excel, Second Edition, Wiley, 2016

Little A, Rubin D., Statistical Analysis with Missing Data. John Wiley & Sons: Hoboken 2002. Malthouse E.C., Segmentation and Lifetime Value Models Using SAS, SAS Institute, 2013 Molenberghs G., Kenward M. G , Missing Data in Clinical Studies, John Wiley & Sons: Chichester, 2007

Ribeiro J., Business Survival Analysis Using SAS: An Introduction to Lifetime Probabilities. SAS Institute, Cary , 2017.

Silvia J. , Iqbal A., House S. Economic Modeling in the Post Great Recession Era: Incomplete Data, Imperfect Markets, SAS Institute, Cary 2017.

Svolba G., Applying Data Science. Business Case Studies, SAS Institute: Cary, NC, 2017.

Svolba G., Data Quality for Analytics Using SAS, SAS Institute: Cary, NC, 2012.

Literatura uzupełniająca:

Berger P., Nasr N., Customer lifetime value: Marketing models and applications, J. of Interactive Marketing, 1998

Clarke B.S. and Clarke J.L., Predictive Statistics. Analysis and Inference beyond Models, Cambridge University Press, Cambridge UK, 2018.

Frątczak E., Kordos J., Kamińska A., (red.) Statystyka zastosowania biznesowe i społeczne, Warszawa, Wydawnictwo Wyższej Szkoły Menedżerskiej w Warszawie, 2014

Frątczak E. Statistics for Management and Economics, SGH , Warszawa , 2015

Rubin D., Multiple Imputation for Nonresponse in Surveys, John Wiley & Sons: Hoboken, 1997.

Schafer J. L., Analysis of Multivariate Incomplete Data, Chapman & Hall: London 1997.

Efekty uczenia się:

Wiedza:

Student powinien: znać historię i filozofię estymacji modeli na użytek zaawansowanych analiz biznesowych; znać możliwości i obszary zastosowania modeli liniowych dla różnego typu danych oraz imputacji danych; znać możliwości i obszary zastosowania modeli CLTV oraz technik segmentacji i oceny wartości relacji z klientem.

Student powinien: znać i rozumieć poszczególne wzorce, mechanizmy brakujących danych oraz metody uzupełniania danych wiedzieć w jaki sposób przeprowadzić imputację danych oraz potrafić zinterpretować wyniki imputacji;

znać metody estymacji modeli służących do analizy zaawansowanych modeli biznesowych; znać estymację oraz weryfikację modeli zaawansowanej analizy biznesowej

Student powinien znać procedury weryfikacji modeli oraz oceny, jak również sposoby poprawy ich jakości; znać zasady budowy modeli predykcyjnych opartych na CLTV oraz segmentacji klientów.

Umiejętności:

Student powinien umieć: określić podstawowe zalety oraz ograniczenia omawianych metod i modeli; potrafić wybrać odpowiednią metodę imputacji danych i zastosować ją korzystając z oprogramowania; umieć przygotować zbiory danych do estymacji zaawansowanych modeli biznesowych

Student powinien umieć: rozumieć ograniczenia wynikające z przyjętej metody estymacji; umieć zbudować różne typy modeli liniowych; umieć zbudować model k-średnich dla problemu segmentacji; umieć zbudować model retencji (zakładając stały i zmienny wskaźnik retencji w czasie); umieć wyliczyć wartość w czasie (lifetime value) i zinterpretować biznesowy efekt uzyskanego wyniku.

Student powinien umieć: umieć zinterpretować wyniki estymacji modeli; przeprowadzić procedurę estymacyjną, weryfikacyjną oraz ocenę jakości modelu; umieć ocenić jakość predykcyjną oraz zidentyfikować obszary, które mogłyby poprawić jakość oszacowań.

Kompetencje społeczne:

Nabycie umiejętności w posługiwaniu się pakietem SAS do modelowania na potrzeby zaawansowanej analityki biznesowej (wykorzystując programowanie 4GL oraz moduł SAS Studio) oraz uzupełnienia analizy o przy zastosowaniu innych pakietów: R i Python.

Nabycie umiejętności miękkich, umiejętności pracy w zespole.

Metody i kryteria oceniania:

egzamin tradycyjny-pisemny: 50.00%

ocena z ćwiczeń: 50.00%

Zajęcia w cyklu "Semestr zimowy 2019/20" (zakończony)

Okres: 2019-10-01 - 2020-02-21
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Laboratorium, 30 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Adam Korczyński
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Egzamin

Zajęcia w cyklu "Semestr letni 2019/20" (zakończony)

Okres: 2020-02-22 - 2020-09-30
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Laboratorium, 30 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Adam Korczyński, Adrianna Wołowiec
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Egzamin

Zajęcia w cyklu "Semestr zimowy 2020/21" (zakończony)

Okres: 2020-10-01 - 2021-02-19
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Laboratorium, 30 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Adam Korczyński, Adrianna Wołowiec
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Egzamin

Zajęcia w cyklu "Semestr letni 2020/21" (zakończony)

Okres: 2021-02-20 - 2021-09-30
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Laboratorium, 30 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Adam Korczyński, Adrianna Wołowiec
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Egzamin

Zajęcia w cyklu "Semestr zimowy 2021/22" (w trakcie)

Okres: 2021-10-01 - 2022-02-18
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Laboratorium, 30 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Adam Korczyński
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Egzamin

Zajęcia w cyklu "Semestr letni 2021/22" (jeszcze nie rozpoczęty)

Okres: 2022-02-19 - 2022-09-30
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Laboratorium, 30 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: (brak danych)
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Egzamin
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Szkoła Główna Handlowa w Warszawie.