Kurz analýzy dat a Business Intelligence

Lekce 1 • Datové typy a struktury

Pokrývá strukturovaná, semi-strukturovaná a nestrukturovaná data s příklady z praxe. Stanovuje slovní zásobu používanou v celém kurzu.

Lekce 2 • Ekosystém business intelligence

Mapuje BI stack od zdrojů dat po dashboardy. Studenti chápou, jak každá vrstva přispívá k poskytování poznatků.

Lekce 3 • Kategorie analytiky a případy užití

Definuje deskriptivní, diagnostickou, prediktivní a preskriptivní analytiku. Propojuje každou kategorii s konkrétními obchodními výsledky.

Lekce 1 • Kvalita dat a governance

Definuje dimenze kvality – přesnost, úplnost, konzistenci, včasnost. Představuje politiky governance, které zajišťují důvěryhodnou analytiku.

Lekce 2 • Zdroje dat a metody příjmu

Přehled primárních, sekundárních, interních a externích zdrojů dat. Představuje vzory dávkového a proudového příjmu dat.

Lekce 3 • Zásady ochrany osobních údajů a souladu s předpisy

Pokrývá zásady privacy-by-design, souhlasu, anonymizace a koncepty souladu s předpisy. Připravuje studenty na zodpovědnou práci s citlivými daty.

Lekce 4 • Základy relačních databází

Učí návrh tabulek, klíčů a relací v relačních databázích. Poskytuje strukturální znalosti potřebné pro dotazování v SQL v další kapitole.

Lekce 1 • Základní syntaxe SQL dotazů

Představuje klauzule SELECT, FROM, WHERE a ORDER BY. Vytváří základ pro psaní dotazů pro všechna následující SQL témata.

Lekce 2 • Spojení a relace

Pokrývá INNER, LEFT, RIGHT a FULL spojení pro kombinování tabulek. Studenti získávají integrované datové sady z normalizovaných schémat.

Lekce 3 • Okenní funkce a pokročilé SQL

Aplikuje RANK, ROW_NUMBER, LAG a LEAD pro analýzu časových řad a hodnocení. Odemyká analytické vzory nedostupné při základní agregaci.

Lekce 4 • Agregace a seskupování

Učí GROUP BY, HAVING a agregační funkce pro sumarizaci dat. Umožňuje výpočet metrik nezbytný pro BI reportování.

Lekce 1 • Spojování a přetváření datových sad

Kombinuje datové sady pomocí spojení, sjednocení a pivotů k vytvoření analytických tabulek. Zrcadlí SQL spojení v programovém kontextu přípravy dat.

Lekce 2 • Identifikace a zpracování chybějících dat

Klasifikuje mechanismy chybějících dat a hodnotí strategie imputace vs. odstranění. Zabraňuje zkreslení způsobenému nesprávným zpracováním nulových hodnot.

Lekce 3 • Techniky transformace dat

Aplikuje normalizaci, standardizaci, kódování a binning k přetvoření proměnných. Připravuje příznaky pro úlohy vizualizace a modelování.

Lekce 4 • Detekce a ošetření odlehlých hodnot

Používá statistické a vizuální metody k identifikaci odlehlých hodnot a rozhoduje o jejich ošetření. Chrání navazující analýzu před zkreslením extrémními hodnotami.

Lekce 1 • Reportování EDA a vyprávění příběhů

Strukturuje zjištění z EDA do soudržného příběhu pro zainteresované strany. Propojuje technický průzkum a obchodní komunikaci.

Lekce 2 • Techniky vícerozměrného průzkumu

Rozšiřuje analýzu na tři nebo více proměnných pomocí heatmap, párových grafů a seskupování. Odhaluje komplexní interakce skryté ve dvourozměrných pohledech.

Lekce 3 • Základy generování a testování hypotéz

Představuje nulové a alternativní hypotézy, p-hodnoty a hladiny významnosti. Propojuje zjištění z EDA s formální statistickou validací.

Lekce 4 • Základy deskriptivní statistiky

Pokrývá míry centrální tendence, variability a tvaru pro číselné proměnné. Poskytuje statistický jazyk používaný ve všech následujících analytických pracích.

Lekce 1 • Principy efektivní vizualizace

Aplikuje Gestalt principy, pre-attentive atributy a poměr data-ink na návrh grafů. Stanovuje standardy, které zabraňují zavádějícím vizuálům.

Lekce 2 • Barva, typografie a rozvržení

Aplikuje teorii barev, přístupné palety a typografickou hierarchii na dashboardy. Zajišťuje čitelnost napříč publikem a zařízeními.

Lekce 3 • Výkon a správa dashboardů

Optimalizuje výkon dotazů, stanovuje plány obnovení a prosazuje řízení přístupu. Zajišťuje, že dashboardy zůstávají přesné a bezpečné v produkčním prostředí.

Lekce 4 • Tvorba interaktivních dashboardů

Vytváří filtry, drill-downy a dynamické parametry v BI nástrojích. Umožňuje koncovým uživatelům samoobslužně řešit analytické otázky.

Lekce 1 • Komunikace prediktivních poznatků

Převádí výstupy modelů do obchodních doporučení pomocí srozumitelného jazyka a vizuálů. Řeší skepticismus zainteresovaných stran vůči algoritmickým predikcím.

Lekce 2 • Koncepty strojového učení pro analytiky

Definuje učení s učitelem, bez učitele a zpětnovazebné učení bez složité matematiky. Představuje ML jako rozšíření sady analytických nástrojů.

Lekce 3 • Regresní modely pro prognózování

Vytváří modely jednoduché a vícenásobné lineární regrese k predikci spojitých výsledků. Interpretuje koeficienty v obchodních termínech.

Lekce 4 • Klasifikační modely

Aplikuje logistickou regresi, rozhodovací stromy a náhodné lesy na binární a více třídní problémy. Vybírá modely na základě potřeb interpretovatelnosti a přesnosti.

Lekce 1 • Datová kultura a řízení změn

Identifikuje překážky adopce dat a aplikuje rámce řízení změn. Buduje připravenost organizace na rozhodnutí řízená analytikou.

Lekce 2 • Hodnocení a škálování analytických programů

Aplikuje modely zralosti k posouzení současných schopností a plánování investic do škálování. Provádí organizace od ad hoc reportování k prediktivní inteligenci.

Lekce 3 • Struktury a role analytických týmů

Porovnává centralizované, decentralizované a federované provozní modely analytiky. Pomáhá studentům navrhovat týmy, které vyvažují agilitu a správu.

Lekce 4 • Budování datové strategie

Definuje vizi, priority a metriky úspěchu pro podnikový analytický program. Propojuje datové investice s měřitelnou obchodní hodnotou.