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

Advanced Business Analytics - Power of Predictive Modeling

Informacje ogólne

Kod przedmiotu: 226161-D Kod Erasmus / ISCED: 11.2 / (0542) Statystyka
Nazwa przedmiotu: Advanced Business Analytics - Power of Predictive Modeling
Jednostka: Szkoła Główna Handlowa w Warszawie
Grupy: Major courses for AAB - masters
Przedmioty obowiązkowe na programie SMMD-ADA
Punkty ECTS i inne: 4.50 (zmienne w czasie)
zobacz reguły punktacji
Język prowadzenia: angielski
Skrócony opis:

Advanced analytics. Predictive modeling. Data imputation. Advanced regression techniques. Client Life Time Value.

Pełny opis:

The aim of the advanced course is to provide student with a complex knowledge in advanced business analytics based on cross-sectional and longitudinal data in various contexts such as patient records, customer history and economic surveys. Students learn about the fundamental concepts, scope of use and meaning of the advanced business analytics, data imputation methods, advanced regression techniques and lifetime value models. The concepts are presented along with their practical business applications.

The objective of the advanced business course is to present a complex approach concerning advanced business analytics. During the lectures the philosophy and theoretical background of the advanced statistical business models and their evaluation, as well as practical aspects of using models are presented. The course is made of three main parts: data imputation methods, advanced regression models, mixed models and segmentation and lifetime value models. Students learn about the practice of data imputation and the importance of imputation in the business decision making process. During computer labs students have possibility to experience a complete process of modeling starting with the data preparation, including data imputation, variable specification, variable selection, estimation and verification, evaluation of the quality and finally prediction. The context of BIG DATA for advanced Business Analytics is included. The laboratories will be mainly using SAS. Examples in other software packages (R, Python) will be provided. Classes are part of the Certificate Program: "Data Scientist with SAS System" - Master's degree, stationary studies, at "Advanced Analytics - 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 should: know history and philosophy of advanced business analytics;

know the potential and the areas of application of linear models for various data types and data imputation methods, segmentation and customer lifetime value models.

Student should: know and understand the concept of missing data pattern, missing data mechanism know how to carry out the imputation and how to interpret the results; know the basic methods of the estimation of the advanced business analytics; know how to estimate and evaluate results of the advanced business analytics models.

Student should: know the methods of model verification and evaluation for the advanced analytics models and how to improve their quality; know how to estimate predictive models, know how to perform client segmentation and assessment within Customer Lifetime Value models.

Umiejętności:

Student should: know the pros and cons of the discussed advanced analytics models; be able to choose appropriate imputation method and implement it using the computer software; know how to prepare data set for the advanced analytics models.

Student should:

understand the limitation of the estimation method;

build predictive model;

build a model of k-means segmentation;

build a retention model (assuming constant and variable in time retention rates); calculate the lifetime value and interpret business effect of the results.

Student should: know how to interpret results of model estimation; implement estimate procedures, models verification and evaluation models quality;

evaluate the predictive power of the model, as well as recognize the areas of potential problems.

Kompetencje społeczne:

Ability to estimate advanced models using SAS (programming using 4GL language and SAS Studio module) and to extend the analysis using other packages: R, Python.

Knowledge on soft skills and work in team.

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: (brak danych)
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, Agnieszka Marszałek
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.