全日制商业分析硕士

本课程是商业分析硕士课程的入门课程. 它主要关注两个问题:(1)引入业务问题, 最佳解决方法是分析, 以及它们的复杂性, 以及(ii)可能解决方案的复杂性. 本模块将广泛介绍业务框架和透视图，以帮助为遇到的业务问题设置上下文. 团队流程将被检查, 以及提供的项目管理工具, 实施建议的解决方案.

在课程中, 学生还将参加数学基础概念的课程, 统计数据, 编程和SAS，以确保模块2所需的所有背景材料已被审查.

学生将获得一个数据集和一个组织的案例研究, 面临一个重大的业务问题. 学生将被要求为这个问题准备可能的解决方案, 在他们学习计划的最后，将在商业分析应用课程中重新讨论这些内容. 本学科的评估将侧重于应用于本案例研究的团队流程和项目管理工具.

本课程为学生提供商业分析职业生涯所需的基础和工具. 这个主题有五个不同的组成部分:

商业问题的计算和编程“，
解决商业问题往往需要计算机编程来操作, 分析, 可视化数据. 这个组件帮助学生, 很少或没有计算机编程背景, 学习如何设计和编写程序, 使用高级过程式编程语言, 解决问题, 使用这些技能. 比如网络安全, 网络道德与私隐, 关于个人资料的收集, 也将被讨论.

数据仓库
数据仓库旨在为组织提供一组集成的高质量数据，以支持决策者. 它们应该支持灵活和多维的数据检索和分析. Topics covered include data warehousing and decision-making; data warehouse design; data warehouse implementation; data sourcing and quality; online analytical processing (OLAP); dashboards; data warehousing for customer relationship management; and case studies of data warehousing practice.

统计学习
随着可用数据的激增, 统计学习, 指的是对复杂数据集的分析, 已成为许多商业环境中的重要领域, 包括市场营销, 金融, 甚至是人力资源管理. 该组件的目的, 以及高级商业分析中的后续组件, 是帮助学生学习如何从大量复杂的数据中提取相关信息，从而做出更好的商业决策. Topics covered in this component include data exploration; resampling methods; linear and nonlinear regression; parametric classification techniques; and model selection.

决策制定和优化
有各种各样的数学方法来获得各种复杂业务问题的有效解决方案. 该组件帮助学生将业务问题表述为数学模型，然后使用计算技术来估计和解决模型. 涉及的主题可能包括在不确定性下的决策, 业务流程中资源的最优位置分配, 决策树, 线性规划, 整数线性规划, 和蒙特卡罗模拟.

这门课为学生配备了先进的模型, 深入了解最新分析技术所需的方法和工具. 这个主题有五个不同的组成部分:

机器学习
本部分以统计学习中的材料为基础，涵盖了先进的分析方法. 它以三种方式扩展了商业分析基础的统计学习组件. 首先，介绍了基于树的方法和神经网络等新技术. 第二个, 学生将被介绍到无监督统计学习技术, 和第三, 学生将学习如何结合模型和技术来产生具有更好预测能力的合奏.

因果分析
数据分析模型可用于预测性能变量. 但许多商业决策本身并不是关于预测业绩. 它们是关于选择关键输入的值, 比如价格或广告支出, 优化性能. 这要求模型编码的输入的效果是因果关系. 这通常需要进一步假设数据是如何生成的.
建立因果关系的黄金标准是随机实验, 哪一种在商业交往中越来越普遍. 本课程涵盖了从A-B测试到随机不完全块设计的基本原理和实验实践. 所有这些方法都产生了因果效应的估计.

预测分析
预测关键的商业和经济变量越来越重要, 因为它既能推动客观决策，又能提高盈利能力. 本部分旨在涵盖用于预测业务和经济变量的主要方法, 基于历史数据. 这些方法包括传统的回归, 时间序列, 多元和计量经济模型, 以及新兴的方法, 比如集合预报. 将考虑点和密度预测，以及两者质量的度量. 在, 重点将是在实质性商业和经济问题的范围内介绍方法, 采用广泛的预测方法. 不同方法基准测试的重要性, 以及在决策框架中使用预测, 也会被强调.

文本和网络分析
该组件帮助学生理解自然语言处理和文本检索中使用的关键算法，以用于各种应用程序, 包括Search引擎, 跨语言信息检索, 机器翻译, 文本挖掘, 问题回答, 综述, 还有语法改正. Topics to be covered include text normalisation; sentence boundary detection; part-of-speech tagging; n-gram language modelling; sentiment analysis; web mining and analysis; network analysis (including social network analysis); and text classification.

这门课涉及学生小组的实践经验, 为一个组织做一个真正的分析项目. 这个为期五周的项目整合了学术学习, 在组织中实施数据分析的实际挑战, 就业技能和属性, 以及组织知识的提高, 职场文化和职业道路.

可以涵盖哪些类型的主题?

对数据集进行数据分析，调查以下问题:

• 客户流失/忠诚
• 物流及供应链
• 预测需求
• 最佳的产品或类别组合
• 营销组合优化
• 信用风险
• 员工的选择、保留和培训
• 社交媒体或其他非结构化数据源的分析

优化流程，例如:

• 呼叫中心运作
• 物流及送货路线
• 日程安排
• 跨产品的营销资源配置
• 服务交付

评估周将包括完成主题报告和项目演示.

本学科的主要重点是数据分析在商业环境中的应用. 主题的三个组件解决业务分析的常见应用:财务分析, 市场营销分析, 供应链分析. 商业案例研究, 在《hg8868体育入口登录》这门课中介绍过, 重新审视，以便学生能够利用在学习过程中获得的知识，查看和找到相同的综合商业案例的解决方案. 学生还将了解商业分析的其他当代应用.

财务分析
定量分析已经成为管理金融机构的宝贵组成部分, 不仅是为了盈利，也是为了保护组织免受风险. 在这个部分，学生将应用数据分析技能到金融应用. Topics include financial performance benchmarking; modelling and computation of financial risks; dynamic portfolio management; computational derivative pricing; and modelling fixed income securities. 该部分的重点将放在理论发展和实际实施两方面, 利用金融市场的当代数据.

市场营销分析
了解营销行为如何转化为收入和利润增长变得越来越重要. 实现这种翻译的工具是“营销分析”工具包的一部分。. 营销分析是一种技术支持和模型支持的方法，利用客户和市场数据，增强营销决策. 该部分为学生提供(i)营销分析的知识, (ii)知道使用哪些分析工具来解决哪些营销问题的能力, (iii)运用这些工具解决营销问题的能力, 以及(iv)影响营销结果的能力，如满意度, 选择, 忠诚, 口碑传播, 还有客户推荐.

供应链分析
科技的快速发展(尤其是互联网), 结合快速廉价的计算能力, 使企业能够通过发展商业模式和重新设计供应链，从根本上改变他们的行业. 这部分内容为学生提供(i)数学建模和分析工具的知识, 有关物流和供应链优化问题, (ii)使用这些工具和技术进行战略分析的能力, 战术和作战决策, 关于库存管理, 设施选址, 物流及其他供应链, 管理相关的决策, 以及(iii)通过案例研究接触真实世界的物流和供应链决策.

商业案例研究
本部分将回顾课程前面“业务问题导论”主题中研究过的案例研究. 该组件的主要目标是使用在整个课程中获得的分析知识和技能来重新校准案例研究中的业务问题的解决方案. 第二个目标是以专题的形式向学生介绍一些新兴的应用程序. 这些主题将根据新兴趋势而有所不同.