Kurs i dataanalys och data science för företag

Lektion 1 • Etik, integritet och grunderna i datastyrning

Behandlar ansvarsfull dataanvändning, integritetsprinciper och styrningsroller inom organisationer. Förankrar etiskt tänkande som en icke förhandlingsbar grund för allt efterföljande arbete.

Lektion 2 • Det datadrivna affärslandskapet

Undersöker hur organisationer använder data för att uppnå konkurrensfördelar och förbättra beslut. Etablerar affärsnyttan med analys som kapitlets motiverande kontext.

Lektion 3 • Datatyper, strukturer och källor

Täcker strukturerad, semistrukturerad och ostrukturerad data samt interna och externa datakällor. Förbereder studenter att identifiera lämplig data för varje affärsfråga.

Lektion 4 • Typer av analys och deras tillämpningar

Skiljer mellan deskriptiv, diagnostisk, prediktiv och preskriptiv analys med verkliga affärsexempel. Ger en taxonomi som studenter tillämpar genom hela kursen.

Lektion 1 • Tekniker för explorativ dataanalys

Använder sammanfattande statistik och inledande visualiseringar för att förstå fördelningar och samband. Vägleder hypotesformulering innan formell modellering påbörjas.

Lektion 2 • Datatransformation och skapande av egenskaper

Tillämpar normalisering, kodning, aggregering och skapande av härledda variabler på rådata. Transformerar rengjord data till egenskaper lämpliga för statistiska modeller och maskininlärningsmodeller.

Lektion 3 • Design och dokumentation av datapipelines

Introducerar reproducerbar pipelinearkitektur, versionshantering för data och standarder för dokumentation. Säkerställer att analysarbete är reviderbart, repeterbart och redo för teamarbete.

Lektion 4 • Metoder för datainsamling och intag

Täcker manuell inmatning, filimporter, API:er och databasfrågor som tekniker för dataintag. Kopplar datakällor till kvaliteten på all efterföljande analys.

Lektion 1 • Urval, fördelningar och centrala gränsvärdessatsen

Förklarar urvalsmetoder, viktiga sannolikhetsfördelningar och varför den centrala gränsvärdessatsen möjliggör inferens. Ger den teoretiska grunden för hypotesprövning som behandlas härnäst.

Lektion 2 • Sannolikhet och osäkerhet i affärsverksamhet

Täcker sannolikhetsregler, betingad sannolikhet och Bayes sats i affärsbeslutssammanhang. Etablerar det sannolikhetstänkande som krävs för allt inferens- och prediktionsarbete.

Lektion 3 • Hypotesprövning och statistisk signifikans

Undervisar om noll- och alternativhypoteser, p-värden och typ I-/II-fel med hjälp av affärsexempel. Gör det möjligt för studenter att validera påståenden och utvärdera experiment rigoröst.

Lektion 4 • Korrelation, regression och kausalitet

Skiljer mellan korrelation och kausalitet och introducerar enkel och multipel linjär regression. Överbryggar deskriptiv statistik till den prediktiva modellering som tas upp i senare kapitel.

Lektion 1 • Begrepp inom relationsdatabaser

Introducerar tabeller, nycklar, relationer och schemadesign som den strukturella grunden för SQL-arbete. Säkerställer att studenter förstår datamodellen innan de skriver frågor.

Lektion 2 • Avancerad SQL för analys

Introducerar fönsterfunktioner, rankning och datum-/tidsoperationer för sofistikerade analytiska frågor. Förbereder studenter för den komplexa rapportering och kohortanalys som används inom business intelligence.

Lektion 3 • Grundläggande SQL-frågor

Täcker SELECT-, WHERE-, ORDER BY- och LIMIT-satser för att hämta och filtrera affärsdata exakt. Utgör den grundläggande frågefärdighet som byggs ut i varje efterföljande SQL-avsnitt.

Lektion 4 • Aggregering, gruppering och underfrågor

Tillämpar GROUP BY, HAVING och aggregatfunktioner tillsammans med underfrågor för att sammanfatta affärsmått. Gör det möjligt för studenter att beräkna KPI:er direkt från rå transaktionsdata.

Lektion 1 • Databerättande och narrativ struktur

Strukturerar analytiska resultat till en övertygande narrativ båge med kontext, konflikt och upplösning. Omvandlar råa insikter till övertygande affärsrekommendationer.

Lektion 2 • Dashboarddesign för affärsmålgrupper

Tillämpar layouthierarki, KPI-val och interaktivitetsprinciper för att bygga executive dashboards. Kopplar visualiseringsfärdigheter till verkliga behov av intressentkommunikation.

Lektion 3 • Presentera insikter för icke-tekniska intressenter

Täcker förenklingsstrategier, hantering av frågor och anpassning av tekniskt innehåll för ledningsmålgrupper. Säkerställer att analytiskt värde inte går förlorat i överföringen till beslutsfattare.

Lektion 4 • Grundläggande diagramtyper och när de ska användas

Undervisar om stapel-, linje-, punkt-, cirkel- och värmekartdiagram med vägledning om lämpliga affärssammanhang. Bygger ett praktiskt visuellt ordförråd som studenter använder genom hela kursen.

Lektion 1 • Modellutvärdering, val och driftsättning

Undervisar om korsvalidering, justering av hyperparametrar och modelljämförelse för att välja produktionsredo modeller. Täcker driftsättningsöverväganden inklusive övervakning och upptäckt av modelldrift.

Lektion 2 • Oövervakad inlärning och kundsegmentering

Tillämpar k-means-klustring, hierarkisk klustring och dimensionsreduktion för att upptäcka dolda mönster. Möjliggör marknadssegmentering, avvikelsedetektering och strategier för produktrekommendation.

Lektion 3 • Maskininlärningskoncept och affärsanpassning

Definierar övervakad, oövervakad och förstärkningsinlärning och kopplar var och en till vanliga affärsproblem. Fastställer när ML tillför värde jämfört med när enklare analys räcker.

Lektion 4 • Övervakad inlärning: klassificeringsmodeller

Täcker logistisk regression, beslutsträd och random forests för att förutsäga kategoriska affärsutfall. Undervisar modellträning, validering och tolkning i affärstermer.

Lektion 1 • Självbetjäningsanalys och styrd åtkomst

Balanserar användarautonomi med datastyrning genom rollbaserad åtkomst, certifierade dataset och användningsövervakning. Möjliggör för affärsanvändare att utforska data säkert utan IT-flaskhalsar.

Lektion 2 • Semantiskt lager och datamodellering

Täcker beräknade mått, hierarkier och relationer inom ett semantiskt BI-lager för konsekventa metriker. Säkerställer att alla rapporter hämtas från en enda, styrd definition av affärs-KPI:er.

Lektion 3 • BI-arkitektur och datalagring

Förklarar design av datalager, stjärn- och snöflingascheman samt ETL- kontra ELT-pipelines. Ger den arkitekturella kontexten för all BI-verktygskonfiguration som följer.

Lektion 4 • Optimering av BI-prestanda och skalbarhet

Behandlar frågeprestanda, aggregeringstabeller, inkrementell uppdatering och kapacitetsplanering för stora dataset. Förbereder studenter att underhålla BI-system när datavolymer och användarantal växer.

Lektion 1 • Beslutsintelligens och förstärkt beslutsfattande

Integrerar ML-utdata, optimeringsmodeller och mänskligt omdöme i strukturerade beslutsarbetsflöden. Avancerar studenter från att rapportera insikter till att aktivt förbättra organisatoriska beslut.

Lektion 2 • Analysfärdplan och prioritering

Undervisar om poängsättning av användningsfall, resursallokering och stegvis färdplanskonstruktion i linje med affärsstrategin. Möjliggör för studenter att prioritera analysinvesteringar för maximal organisatorisk avkastning.

Lektion 3 • Mäta analys-ROI och affärspåverkan

Tillämpar ramverk för värdemätning för att kvantifiera kostnadsbesparingar, intäktsökning och riskreducering från analys. Utrustar studenter att motivera analysinvesteringar inför lednings- och finansintressenter.

Lektion 4 • Ansvarsfull AI och etisk styrning i stor skala

Utvidgar grundläggande etik till AI-styrning på företagsnivå, modellförklarbarhet och regelefterlevnad. Säkerställer att avancerade analysdriftsättningar förblir pålitliga, rättvisa och reviderbara.