Poslovna inteligencija i poslovna analitika

Upoznavanje studenata sa poslovnom inteligencijom kao računarskom podrškom za donošenje upravljačkih odluka. Akcenat je na teorijskim i konceptualnim osnovama poslovne inteligencije, kao i komercijalnim alatima i tehnikama dostupnim za efikasnu podršku odlučivanju. Takođe, kurs ima za cilj upoznavanje studenata sa konceptima, osnovama i alatima poslovne analitike, sa posebnim naglaskom na primene i primere analitike u realnom okruženju. Cilj je da tokom kursa studenti ovladaju fundamentalnim i najvažnijim tehnikama u poslovnoj inteligenciji, poslovnoj analitici kao i dubinskoj analizi podataka i otkrivanju znanja, i budu osposobljeni za samostalnu primenu pomenutih metoda u procesima poslovnog odlučivanja.

Po uspešnom završetku ovog kursa, studenti bi trebalo da budu osposobljeni da:

– Pokažu poznavanje ključnih principa i tehnika poslovne inteligencije i poslovne analitike.

– Identifikuju odgovarajuće alate/tehnike poslovne inteligencije i analitike za različite poslovne probleme.

– Prepoznaju i razlikuju situacije u kojima je moguće uspešno primeniti različite tehnike za analizu podataka i istraživanja znanja (asocijacija, korelacija, klasifikacija, predikcija, klaster analiza).

– Pokažu znanje i razumevanje različitih algoritama i kvantitativnih tehnika pogodnih za analizu podataka i istraživanje znanja u širokom spektru područja primene.

– Projektuju i implementiraju sisteme za analizu podataka i otkrivanje znanja i izvrše evaluaciju performansi različitih algoritama za analizu podataka i otkrivanje znanja.

– Koriste širok spektar javno dostupnih alata za analizu podataka.

– Ocene efikasnost ovih alata za analizu podataka na osnovu različitih mera performansi. – Donose odluke zasnovane na podacima za optimizaciju poslovnog procesa u skladu sa rezultatima analize podataka i interpretiraju dobijene rezultate.

– Koriste praktična znanja i veštine u razvoju i korišćenju savremenih aplikativnih softverskih rešenja za podršku poslovnom odlučivanju.

– Imaju razvijenu sposobnost za timski rad.

Teorijska nastava

Koncept sistema za podršku odlučivanju. Poslovna analitika: deskriptivna, prediktivna i preskriptivna analitika. Poslovna inteligencija: podaci, informacija i znanje, arhitektura. Skladištenje podataka: arhitektura, ETL alati, meta podaci, kocke, multidimenzionalna analiza, OLAP. Analiza podataka i otkrivanje znanja: definicija, modeli i metode. Preprocesiranje podataka: vizuelizacija, čišćenje, integracija, redukcija, trasnformacija i diskretizacija podataka. Metode za predikciju i klasifikaciju: linearna i višestruka linearna regresija, stabla klasifikacije i regresije, Bajesove metode, klasifikacija zasnovana na pravilima, neuronske mreže, metoda potpornih vektora, metoda najbližeg suseda, učenje i zaključivanje po analogiji, genetički algoritmi i pristup baziran na fazi logici. Klaster analiza: metode bazirane na podeli, metode bazirane na gustini, metode bazirane na mreži, metode zasnovane na modelu (algoritam k-sredina, aglomerativne hijerarhijske metode, divizivne hijerarhijske metode, fazi c-means algoritam, itd.). Predviđanje vremenskih serija: evaluacija modela vremenskih serija, analiza komponenti vremenskih serija, modeli sa eksponencijalnim izravnanjem i autoregresivni modeli. Ocena kvaliteta predikcije.

Praktična nastava

Tema kursa (metode, tehnike) se obrađuju i teoretski i praktično putem laboratorijskih vežbi, gde se odabrane metode implementiraju i koriste na tipičnim podacima iz realnog okruženja.

1. Laboratorijska vežba br. 1: Sinteza modela za klasifikaciju podataka primenom Bajesove metode, metode zasnovane na pravilima, metode najbližeg suseda i primenom stabla odlučivanja; testiranje modela, ocena kvaliteta i poređenje rezultata.

2. Laboratorijska vežba br. 2: Sinteza modela za klasifikaciju podataka primenom neuronskih mreža i metode potpornih vektora; testiranje modela, ocena kvaliteta i poređenje rezultata.

3. Laboratorijska vežba br. 3: Sinteza modela za predikciju primenom metoda linearne regresije, neuronskih mreža i metode potpornih vektora; testiranje modela na nepoznatim uzorcima, ocena kvaliteta i poređenje rezultata.

4. Laboratorijska vežba br. 4:Primena različitih metoda klasterizacije (algoritam k-sredina, aglomerativna i divizivna hijerarhijska metoda i fazi c-means algoritam) na izabranom skupu podataka i njihovo poređenje.

5. Laboratorijska vežba br. 5 Predviđanje vremenskih serija primenom eksponencijalnih i autoregresivnih modela.