Программа дисциплины «Основы информационных технологий бизнес-аналитики в логистике и управлении цепями поставок (факультатив)» «Business Analytics Information Technology in Logistics and Supply Chain Management (enrichment class)»

Скачать 145.86 Kb.

Название	Программа дисциплины «Основы информационных технологий бизнес-аналитики в логистике и управлении цепями поставок (факультатив)» «Business Analytics Information Technology in Logistics and Supply Chain Management (enrichment class)»
Тип	Программа дисциплины

rykovodstvo.ru > Руководство эксплуатация > Программа дисциплины

Правительство Российской Федерации
Федеральное государственное автономное образовательное учреждение высшего профессионального образования
"Национальный исследовательский университет
"Высшая школа экономики"

Факультет Логистики

Программа дисциплины
«Основы информационных технологий бизнес-аналитики в логистике и управлении цепями поставок (факультатив)»
«Business Analytics Information Technology in Logistics and Supply Chain Management (enrichment class)»
для направления 080200.62 «Менеджмент» подготовки бакалавра,

специализация «Логистика и управление цепями поставок»

Автор программы:

Заходякин Г.В., старший преподаватель postlogist@gmail.com

Одобрена на заседании кафедры Информационных систем
и технологий в логистике «___»____________ 2014 г

Зав. кафедрой В.Э. Новиков

Рекомендована секцией УМС факультета логистики «___»____________ 2014 г.

Председатель Дыбская В.В.

Утверждена УС факультета логистики «___»_____________2014 г.

Ученый секретарь ________________________
Москва, 2014

Настоящая программа не может быть использована другими подразделениями университета и другими вузами без разрешения кафедры-разработчика программы.

1.1Outline

The course is designed to gain basic understanding of modern data visualization, analysis and predictive model building tools for business analytics problems. We will apply a visual data analysis tool, - Tableau, - to get insight from the data and OLAP analysis. We will also use analytical platforms, such as RapidMiner, K-NIME and R to perform data transformation and model building. These analytical platforms are open source software, so later you can implement analytical solutions based on them without the need to purchase license, including commercial application of your solutions.

The course includes topics on basic data visualization and OLAP-analysis methods. Main body of the course consists of overview of fundamental data mining problems and methods – clustering, classification, regression and time series forecasting. The course also includes a topic on data cleansing and transformation, which are necessary to enable model building and analysis using software tools.

This is a hands-on course to get you acquainted with real data analysis tools. All classes are run in a computer lab. Classes include a brief overview of theoretical principles, a guide to implementation of analysis methods in software and a hands-on example for solving a practical problem using software tools.

In order to pass the course, all participants are required to attend not less than 70% of classes and to give a short presentation on application of business analytics tools for logistics and supply chain management problems. These requirements are sufficient to get a B-class grade (max 7 points). In order to get an A-class grade (max 10 points), participants are also required to accomplish a project for application of data analysis tools to solve a real-world problem of your choice. Some datasets are available, in case if you will be unable to collect the data yourself.

1.2Syllabus

Topic	Class hours	Self-study
Information technology for data analysis	1	4
Using data visualization to support decision-making	4	8
Using modeling to support decision making. Information approach to model building. An overview of data mining problems	1	4
The clustering task. Algorithms and tools for clustering	4	6
The classification task. Algorithms and tools for classification	4	6
The regression task. Algorithms and tools for regression	4	6
The time-series forecasting task. Algorithms and tools for time-series forecasting	4	6
Data cleansing and data transformation	4	6
Total hours	26	46

1.3Prerequisites

The participants should have basic knowledge of data processing tools and technologies. A HSE-offered course for logistics department students «Information Technology for Management» (studied during 1^st and 2^nd years) would be a good background.

For students who didn’t have the opportunity to take that course several competences would be beneficial:

basic understanding of data processing with database management systems (DBMS)
basic understanding of descriptive statistics (graphs and descriptive statistics)
basic understanding of analytical statistics (statistical hypotheses testing, correlation and regression).

The course is self-containing, and we’ll cover all the necessary concepts.

1.4Author

Gleb Zakhodyakin, Senior Lecturer at Department of Information Systems and Technology for Logistics, School of Logistics

1.5Examination type

To qualify for a B-class grade (max 7 points) participants have to deliver a short presentation on application of business analytics systems and technology in logistics and supply chain management
To qualify for an A-class grade (max 10 points), in addition to the previous requirement participants have to conduct a project on application of tools and methods studied for practical problem solving. The results have to be delivered in the form of a short presentation/discussion.

2Область применения и нормативные ссылки

Настоящая программа учебной дисциплины устанавливает минимальные требования к знаниям и умениям студента и определяет содержание и виды учебных занятий и отчетности.

Программа предназначена для преподавателей, ведущих данную дисциплину, учебных ассистентов и студентов направления подготовки 080200.62 «Менеджмент» по профилю «Логистика и управление цепями поставок», изучающих дисциплину «Управление транспортными системами».

Программа разработана в соответствии с:

Образовательными стандартами ФГОС ВПО и ОС НИУ ВШЭ по направлению подготовки 080200.62 «Менеджмент»;
Рабочим учебным планом университета по направлению подготовки 080200.62 «Менеджмент», профиль «Логистика и управление цепями поставок», утвержденным в 2012г.

3Цели освоения дисциплины

Основная цель освоения дисциплины – знакомство с современными методами и инструментами анализа и визуализации данных применительно к задачам бизнес-аналитики. Практические занятия проводятся с использованием системы OLAP-анализа и визуализации данных Tableau, а также аналитических платформ RapidMiner, K-NIME и R. Эти программные пакеты распространяются по системе с открытым исходным кодом и могут быть применены слушателями в дальнейшем для решения прикладных задач, в том числе и коммерческих, без необходимости приобретать лицензию.

Дисциплина знакомит с основными методами визуализации данных, а также основными задачами и алгоритмами интеллектуального анализа данных (data mining) – кластеризацией, классификацией, регрессией и прогнозированием временных рядов. Один из разделов курса посвящен задаче очистки и трансформации данных при подготовке их к использованию в аналитических системах.

Курс направлен на практическое применение инструментов анализа данных. Все занятия проводятся в компьютерном классе и включают краткое рассмотрение необходимых теоретических принципов, реализацию метода в программном обеспечении и решение практической задачи.

4Компетенции обучающегося, формируемые в результате освоения дисциплины

В результате освоения дисциплины студент должен:

Знать:

- Основные понятия и задачи систем бизнес-интеллекта (Business Intelligence)

- Процессную модель разработки и внедрения аналитического решения CRISP-DM

- Сущность информационного подхода в моделировании;

- Методы разведочного анализа данных;

- Методы автоматического обнаружения кластеров: k-Means, иерархическая кластеризация, сети Кохонена

- Методы классификации: деревья решений, логистическая регрессия, нейронная сеть архитектуры «многослойный персептрон»

- Методы регрессии: множественная регрессия, нейронная сеть архитектуры «многослойный персептрон»

- Методы оценки адекватности и выбора модели

Уметь:

- формулировать постановку задачи анализа данных на основе описания бизнес-проблемы

- формировать требования по сбору данных для решения бизнес-проблемы

- использовать инструментальные средства анализа и визуализации данных для разработки аналитического решения

- иметь представление об особенностях применения информационно-аналитических технологий для поддержки принятия управленческих решений на различных фазах принятия решений;

Владеть:

- принципами и техникой принятия управленческих решений, анализа проблемных ситуаций;

- методами и технологией оперативного и интеллектуального анализа данных;

- принципами постановки и решения задач анализа данных; применения технологий и техники оперативного и интеллектуального анализа данных, с учетом специфики их применения в различных экономических задачах.

- методами и технологиями анализа бизнес-информации о компании и её окружении для преобразования, хранения, анализа, моделирования, доставки информации при работе над задачами, связанными с принятием решений на основе фактических данных;

- основами составления аналитической отчетности с применением средств бизнес-аналитики.
В результате освоения дисциплины студент приобретает следующие компетенции:

понимать роль и значение информации и информационных технологий в организации цепей поставок (ОК-16).
уметь находить организационно-управленческие решения по управлению цепями поставок и оценивать их последствия (ОК-8).
уметь применять количественные и качественные методы анализа для принятия решений и строить экономические и организационно-управленческие модели (ПК-31)
готовность планировать операционную деятельность по управлению цепями поставок (ПК-19).
владеть методами управления проектами внедрения информационных систем в логистике и готовностью к их реализации (ПК-20).
владеть способностью выбирать математические модели организационных систем, анализировать их адекватность, проводить адаптацию моделей к конкретным задачам управления (ПК-32)
владеть средствами программного обеспечения анализа и количественного моделирования систем управления (ПК-33)

5Место дисциплины в структуре образовательной программы

Дисциплина является факультативной и читается на III курсе.
Студенты должны иметь базовое представление о технологиях и инструментах обработки данных в объеме курса «Информационные технологии в менеджменте»

Для студентов, не изучавших этот курс, желательно:

• иметь общее представление о принципах обработки данных в системах управления базами данных;

• владеть базовыми методами описательной статистики (графики и основные статистики)

• владеть основами аналитической статистики (понимать принципы проверки статистических гипотез и методов корреляционного и регрессионного анализа)

Материалы курса позволят, при необходимости, освоить эти понятия.
Полученные знания и навыки обеспечивают дисциплины «Информационные технологии в логистике и управлении цепями поставок», «Управление запасами в цепях поставок», «Информационное обеспечение логистической деятельности предприятий торговли», «Планирование продаж и операций в цепях поставок», «Аудит функционирования цепей поставок», «Управление затратами в цепях поставок».

6Тематический план учебной дисциплины

Тема	Аудиторные занятия	Самостоятельная работа
Технологии анализа данных и информационно-аналитические системы	1	4
Визуализация данных как инструмент поддержки принятия решений	4	8
Моделирование как инструмент поддержки принятия решений. Информационный подход в моделировании. Обзор задач data mining.	1	4
Задачи и алгоритмы кластерного анализа	4	6
Задача и алгоритмы классификации	4	6
Задача и алгоритмы регрессии	4	6
Задача и алгоритмы прогнозирования временных рядов	4	6
Очистка и трансформация данных	4	6
Всего часов	26	46

7Формы контроля знаний студентов

Изучение курса предполагает посещение аудиторных занятий (лекции и компьютерный практикум) и интенсивную самостоятельную работу. В процессе самостоятельной работы студент должен освоить необходимый для выполнения заданий теоретический материал с использованием методических разработок кафедры и рекомендованной литературы, освоить технику работы с программными продуктами, а также выполнить предусмотренные программой практические задания.

Для успешного завершения курса слушатели должны посетить не менее 70% занятий и подготовить презентацию о применении инструментов бизнес-аналитики для решения задач логистики. Желающим получить отличную оценку по курсу необходимо выполнить проект, связанный с решением аналитической задачи с использованием изученных методов и инструментов. Для организационной и методической поддержки курса активно применяется система LMS, в которой размещены теоретические материалы, практические задания, примеры. Консультации по выполнению проекта выполняются через форум курса в LMS.

7.1Критерии оценки знаний, навыков.

Оценки по всем формам текущего контроля выставляются по 10-ти балльной шкале.

7.2Порядок формирования оценок по дисциплине

По курсу проводится устный экзамен:

для получения оценки «хорошо» - в форме презентации о применении систем бизнес-аналитики в логистике и управлении цепями поставок
для получения оценки «отлично» - в форме защиты проекта (дополнительно к презентации), связанного с практическим применением инструментов бизнес-аналитики

Итоговая оценка складывается из следующих элементов:

Итоговая оценка = 0.7 * Оценка за презентацию о практическом использовании аналитических информационных технологий в логистике и УЦП + 0.3 * Оценка за проект

8Содержание дисциплины

Тема 1. Технологии анализа данных и информационно-аналитические системы

Общая технологическая архитектура СППР, основные технологические узлы: источники данных, очистка-преобразование-согласование данных, ХД и предметно-ориентированные витрины данных, аналитические приложения, интерфейсы конечного пользователя (ЛПР). Аналитическая пирамида.

Основные понятия и задачи Business Intelligence; технологии и методы осуществления анализа бизнес-информации. Системы бизнес-интеллекта (BI). BI как методы, технологии, средства извлечения и представления знаний.

Предметно-ориентированные аналитические системы:

─ Информационно-аналитические системы управления по ключевым показателям эффективности. Метод сбалансированных показателей и индикаторные панели;

─ ИАС планирования и бюджетирования, ИАС формирования и анализа консолидированной финансовой отчетности;

─ Специализированные аналитические системы и приложения для конкретных предметных областей.

Рынок инструментальных решений, применяемых при разработке информационно-аналитических систем. Продукты BI и BI-платформы.
Основная литература

Паклин Н.Б. Бизнес-аналитика: от данных – к знаниям, 2013. – Гл. 1. Технология анализа данных

Тема 2. Визуализация данных как инструмент поддержки принятия решений

Методы анализа данных. Понятие OLAP-технологии. Требования, предъявляемые к OLAP-системам. Задачи и содержание оперативного анализа данных. Системы визуализации и оперативного анализа данных. Примеры использования систем оперативного анализа данных в логистике и управлении цепью поставок. Разведочный анализ данных.

Основная литература

Паклин Н.Б., Орешков В.И. Бизнес-аналитика: от данных - к знаниям. 2-е изд. - С-Пб. : Питер, 2012. - 704 с. - Гл. 4. Визуализация данных
Larose D. Discovering knowledge from data. An introduction to Data Mining – Ch. 3. Exploratory Data Analysis – pp. 51-90
Rapidminer Studio 6 User Manual, 26 May 2014 – pp. 19-109
Rapidminer 5.2 Advanced Charts Manual, 2014 – 71 p.

Тема 3. Моделирование как инструмент поддержки принятия решений. Информационный подход в моделировании. Обзор задач data mining.

Информационный подход в моделировании. Понятие интеллектуального анализа данных (Data Mining). Основные задачи Data Mining и их применение в управлении цепью поставок. Инструменты Data Mining.
Основная литература

Паклин Н.Б., Орешков В.И. Бизнес-аналитика: от данных - к знаниям. 2-е изд. - С-Пб. : Питер, 2012. - 704 с. - Гл. 6-9.

Тема 4. Задачи и алгоритмы кластерного анализа

Задача кластеризации. Примеры применения в проектировании логистических сетей, управлении взаимоотношениями с поставщиками и клиентами. Метрики расстояния для непрерывных и дискретных атрибутов. Алгоритм k-Means. Методы визуализации и интерпретация кластеров. Подготовка данных для кластерного анализа. Алгоритм иерархической кластеризации. Кластеризация с использованием сетей Кохонена. Самоорганизующиеся карты признаков.

Основная литература

Паклин Н.Б., Орешков В.И. Бизнес-аналитика: от данных - к знаниям. 2-е изд. - С-Пб. : Питер, 2013. - 704 с. - Гл. 7.
Larose D. Discovering knowledge from data. An introduction to Data Mining – Ch. 10. Hierarchical and k-Means clustering (pp. 209-226); Ch. 11. Kohonen Networks (pp. 228-242)
Linoff G. Data Mining techniques: for marketing, sales and customer relationship management. – 3ed. – Ch. 13. Finding clusters of similarity: automatic cluster detection; Ch. 14. Alternative approaches to cluster detection. Additionally, these chapters on building customer profiles and data enrichment might me of interest: Ch. 18. – Building customer signatures; Ch. 19 Derived variables
Ultsch A. U*-Matrix: a Tool to visualize clusters in high dimensional data.

Тема 5. Задачи и алгоритмы классификации

Задача классификации. Модель логистической регрессии. Интерпретация модели логистической регрессии. Деревья решений. Алгоритмы ID3 и C4.5. Методы оценки точности моделей классификации. Lift- и ROC-Кривые. Перекрестная валидация. Построение моделей в условиях несбалансированных классов.

Основная литература

Паклин Н.Б., Орешков В.И. Бизнес-аналитика: от данных - к знаниям. 2-е изд. - С-Пб. : Питер, 2013. - 704 с. - Гл. 8-9.

Тема 6. Задачи и алгоритмы регрессии

Задача регрессии. Модель множественной линейной регрессии. Методы отбора переменных. Искусственные нейронные сети. Принципы обучения нейронной сети. Алгоритм обратного распространения ошибки.

Основная литература

Паклин Н.Б., Орешков В.И. Бизнес-аналитика: от данных - к знаниям. 2-е изд. - С-Пб. : Питер, 2013. - 704 с. - Гл. 8-9.

Тема 7. Задачи и алгоритмы прогнозирования временных рядов

Понятие временного ряда. Одномерные и многомерные временные ряды. Компоненты временного ряда. Модели прогнозирования временных рядов. Трансформация данных с помощью скользящего окна.

Основная литература

Паклин Н.Б., Орешков В.И. Бизнес-аналитика: от данных - к знаниям. 2-е изд. - С-Пб. : Питер, 2013. - 704 с. - Гл. 10.

Тема 8. Очистка и трансформация данных

Цели очистки и трансформации данных. Использование методов очистки и трансформации данных на различных этапах построения аналитического решения. Понятие качества данных. Профайлинг данных. Методы очистки данных. Трансформация упорядоченных данных. Группировка данных. Слияние данных. Квантование. Нормализация и кодирование данных.

Основная литература

Паклин Н.Б., Орешков В.И. Бизнес-аналитика: от данных - к знаниям. 2-е изд. - С-Пб. : Питер, 2013. - 704 с. - Гл. 3, 5.

9Образовательные технологии.

Используемая в педагогическом процессе образовательная технология ориентирована на сформулированные в п.3 цели освоения дисциплины. Она интегрирует методы традиционного обучения и активной работы студентов во время практических занятий с использованием информационных систем анализа логистических бизнес-процессов.

Мониторинг качества усвоения учебного материала осуществляется в процессе каждого учебного занятия.

Практические занятия проводятся в компьютерных классах с обеспечением доступа каждого обучаемого к специализированному программному обеспечению для выполнения работы.

10Оценочные средства для текущего контроля и аттестации студента

10.1Тематика заданий по различным формам текущего контроля

Тематика практических занятий

Применение метода визуализации данных и OLAP-анализа в управлении запасами и управленческом учете. Системы Tableau, RapidMiner, Deductor Studio.
Задача кластеризации: анализ запасов; анализ профилей клиентов для оптимизации сборки заказов на распределительном центре.
Задача классификации (логистическая регрессия и машинное обучение): применение для анализа запасов, при оценке ожиданий клиента к качеству логистического сервиса
Задача регрессии. Прогнозирование спроса.

10.2Вопросы для оценки качества освоения дисциплины

Роль и место анализа в процессе принятия решения.
Информационно-аналитические системы. Их особенность и место в структуре информационных систем организации.
Предпосылки создания концепции хранилищ данных. Недостатки транзакционных систем. Понятие хранилища данных.
Оперативный анализ данных. OLAP-технологии. Критерии OLAP (Тест FASMI)
Понятие интеллектуального анализа данных. Системы Data Mining.
Сравнение методов OLAP-систем и систем Data Mining.
Уровни знаний, извлекаемых из данных. Соответствие уровням информационных систем.
Системы визуализации данных.
Задачи кластеризации: алгоритмы k-means, иерархическая кластеризация и карты Кохонена
Задачи классификации: логистическая регрессия, деревья решений, нейросети
Задача регрессии: множественная линейная регрессия и нейросети
Прогнозирование временных рядов: понятие временного ряда, структура временного ряда, классы моделей для прогнозирования одномерных и многомерных временных рядов

11Учебно-методическое и информационное обеспечение дисциплины

Дополнительная литература

Larose D. Data Mining Methods and Models. – Wiley, 2006
Larose D. Discovering Knowledge in Data: An Introduction to Data Mining. –Wiley, 2005

Westerman P. Data Warehousing: Using the Wal-Mart Model. - Morgan Kaufmann, 2000
Yau N. Visualize this. The FlowingData Guide to Design, Visualization and Statistics. – Wiley, 2011. – 384 p.
Абдикеев Н.М. Системы управления эффективностью бизнеса: Учеб. Пособие / Н.М. Абдикеев, С.Н. Брускин, Т.П. Данько и др.; Под науч. Ред. д.т.н., проф. Н.М. Абдикеева и О.В. Китовой. – М.: ИНФРА-М, 2010. – 282 с.

Библиотека решений на сайте Basegroup http://basegroup.ru/solutions/

Генс Г.В. и др. Управление эффективностью бизнеса. Концепция Business Performance Management / Под. Ред. Г.В. Генса. М.: Альпина Бизнес Букс, 2005.

Дебок Г., Кохонен Т. «Анализ финансовых данных », Москва, Издательский дом «Альпина» , 2001 г.

Дейвенпорт Т., Харрис Дж. Аналитика как конкурентное преимущество. Новая наука побеждать. - М. : BestBusiness Books, 2010

Чубукова, И. А. Data Mining. М. БИНОМ. Лаборатория знаний, 2008. - 382 с.

11.1Дистанционная поддержка дисциплины

Для обеспечения интерактивного и непрерывного учебного процесса в качестве образовательных технологий используется система LMS. Система используется для размещения материалов курса, выполнения проектов, тестирования знаний, а также для консультаций по выполнению проектов через форум курса.

12Материально-техническое обеспечение дисциплины

Лекционная аудитория оснащена мультимедийными средствами проведения презентаций, показа видеофильмов, защиты проектной работы.

В специализированном компьютерном классе для проведения практических занятий развернуто специализированное программное обеспечение: Tableau, Rapidminer. Deductor Studio, R, K-NIME.

Автор программы:
_____________________________/ Заходякин Г.В./

	Стерлигова А. Н. Логистика: интеграция и оптимизация логистических... Подробно анализируются понятийный аппарат логистики и операционная деятельность, координация и интеграция в логистике и управлении...		Программа дисциплины «информационные технологии в менеджменте» для... Дисциплина включает два раздела: «Часть I. Методы и инструменты анализа данных в логистике» (I курс, 3 и 4 модуль) и «Часть II. Системы...
	Рабочая программа дисциплины «Транспортировка в цепях поставок» Программа предназначена для преподавателей, ведущих данную дисциплину, учебных ассистентов и студентов направления подготовки 38....		Программа дисциплины «Управление качеством логистического сервиса в цепях поставок» Рекомендована секцией умс одобрена на совместном заседании кафедр логистики и управления цепями поставок
	Программа дисциплины «Этика бизнеса» для направления 38. 03. 02.... Программа предназначена для преподавателей, ведущих данную дисциплину, учебных ассистентов и студентов направления подготовки 38....		1. теоретические основы применения новых информационных технологий в управлении 5 Основные тенденции и проблемы в области разработки и применения информационных технологий 7
	Содержание) Section I. Information Technology (Информационные технологии)... «Приоритеты мировой науки: эксперимент и научная дискуссия»: Материалы IX международной научной конференции 10-11 ноября 2015 г....		Цели освоения дисциплины: изучение методологии, средств и методов... Постановка задачи бизнес-аналитики для оценки эффективности деятельности на предприятии
	Программа учебной дисциплины основы информационных технологий 2015 г Программа учебной дисциплины является частью общепрофессиональной подготовки в соответствии с фгос по профессии спо 09. 01. 03 Мастер...		Инструкция пользователя Skype for Business Для того что бы установить и настроить клиент Skype For Business на вашем пк, вы можете воспользоваться инструкцией на сайте Дирекции...
	Рабочая программа учебной дисциплины «Warehouse management» are designed to train students in the 080200. 68 «Management», qualification (degree) to be earned – Master...		Рабочая программа учебной дисциплины (рпуд) «Operational management» are designed to train students in the 080200. 68 «Management», qualification (degree) to be earned – Master...
	Руководство пользователя сэд «кск документооборот» Последовательность шагов, описанная в нотации врм (англ. Business Process Management, управление бизнес-процессами — концепция процессного...		Факультет информационных технологий утверждаю Рабочая программа предназначена для бакалавров кафедр Информатики и математики и Информационных технологий как очной, так и заочной...
	Рабочая программа учебной дисциплины «Management», qualification (degree) to be earned – Master of Science in Goods management. Full-time program		Программа дисциплины «Информационные технологии в менеджменте» для... Программа предназначена для преподавателей, ведущих данную дисциплину, учебных ассистентов и студентов направления подготовки 080200....