Dersin Adı | İş Analitiği ve Büyük Veriye Giriş |
Kodu | Yarıyıl | Teori (saat/hafta) | Uygulama/Lab (saat/hafta) | Yerel Kredi | AKTS |
---|---|---|---|---|---|
BA 464 | Güz/Bahar | 2 | 2 | 3 | 6 |
Ön-Koşul(lar) | Yok | |||||
Dersin Dili | İngilizce | |||||
Dersin Türü | Seçmeli | |||||
Dersin Düzeyi | Lisans | |||||
Dersin Veriliş Şekli | Çevrim içi | |||||
Dersin Öğretim Yöntem ve Teknikleri | TartışmaProblem çözmeOlgu / Vaka çalışmasıSoru & CevapDeney / Laboratuvar / Atölye uygulama | |||||
Dersin Koordinatörü | ||||||
Öğretim Eleman(lar)ı | ||||||
Yardımcı(ları) |
Dersin Amacı | Günümüzü işletmeciliğindeki iki ana gelişme el ele gitmektedir: operasyonların giderek daha fazla bilgisayarlı hale gelmesi ve kararların giderek daha fazla verilere dayalı olması. Farklı tür ve büyüklüklerde de olsalar çoğu şirket için verilerin zamanında, kesin ve karlı kararlar vermek için etkili şekilde kullanımı kritik bir stratejik avantaj unsuru haline gelmiştir. Bu yüzden modern işletme iş analitiğinden ayrılamaz. Bu dersin amacı işletme öğrencilerine iş verilerini iş kararlarını yönlendirecek iç görüye dönüştürmeleri için gerekli kavram, yöntem ve araçları öğretmektir. Bu amaçla derste temel veri analizi tekniklerinin -operasyonelden ziyade- işlevsel bir kavrayışına ve bunun temel yazılım araçları kullanarak farklı iş problemlerine uygulanışına bir başlangıç kazandırılmaktadır. Dersin temel ekseni bu tekniklerin iş kararları için iç görü sağlamadaki katkısıdır. Bu anlamda ders veri ve analiz konusunda bir farkındalık oluşturma ve veri analizinin işte değer yaratmak konusunda sunduğu fırsatları belirleyebilme becerisi kazandırma hedefindedir. Bu ders aynı zamanda büyük veri diye adlandırılan veri setlerini ve onların analizine özgü gereksinim ve yaklaşımları da kapsamaktadır. |
Öğrenme Çıktıları | Bu dersi başarıyla tamamlayabilen öğrenciler;
|
Ders Tanımı | Bu ders veri analizi için gerekli yöntem ve araçlara odaklanır. Yaygın bir istatistik platformunun (R) veri yönetimi gibi temel işler için kullanımını kapsar. Keşifsel veri görselleştirme ve özetleme yöntemlerinden başlayan ders temel öngörü yöntemlerinden (örn. Doğrusal modeller) daha karmaşık yöntemlere (veri madenciliği, karar ağacı veya birleşme kuralı analizi gibi) ilerler. Öğrenciler iş problemlerini analiz problemlerine dönüştürmeki ve bunların çözümünü aramak konusunda hem kuramsal bilgi hem de uygulamalı beceriler edinirler. Bu yöntemler bilinen problemler kadar yeni ve az bilinen problemlere de uygulanabilmesi amacıyla çevik problem çözme sistematiğine oturtularak uygulanırlar. |
Dersin İlişkili Olduğu Sürdürülebilir Kalkınma Amaçları | |
| Temel Ders | |
Uzmanlık/Alan Dersleri | X | |
Destek Dersleri | ||
İletişim ve Yönetim Becerileri Dersleri | ||
Aktarılabilir Beceri Dersleri |
Hafta | Konular | Ön Hazırlık |
1 | Giriş, kavramlar | Shmueli, G., Bruce, P. C., Yahav, I., Patel, N. R., & Lichtendahl Jr, K. C. (2017). Data mining for business analytics: concepts, techniques, and applications in R. John Wiley & Sons. Bölüm 1 |
2 | Analitik süreci, tahminleme | ch2Shmueli, G., Bruce, P. C., Yahav, I., Patel, N. R., & Lichtendahl Jr, K. C. (2017). Data mining for business analytics: concepts, techniques, and applications in R. John Wiley & Sons. Bölüm 2 |
3 | Keşifsel analitik ve veri görselleştirme | Shmueli, G., Bruce, P. C., Yahav, I., Patel, N. R., & Lichtendahl Jr, K. C. (2017). Data mining for business analytics: concepts, techniques, and applications in R. John Wiley & Sons. Bölüm 3 |
4 | Doğrusal regresyon | Shmueli, G., Bruce, P. C., Yahav, I., Patel, N. R., & Lichtendahl Jr, K. C. (2017). Data mining for business analytics: concepts, techniques, and applications in R. John Wiley & Sons. Bölüm 6 |
5 | Model değerlendirme | Shmueli, G., Bruce, P. C., Yahav, I., Patel, N. R., & Lichtendahl Jr, K. C. (2017). Data mining for business analytics: concepts, techniques, and applications in R. John Wiley & Sons. Bölüm 5 |
6 | Bayes tasnifi | Shmueli, G., Bruce, P. C., Yahav, I., Patel, N. R., & Lichtendahl Jr, K. C. (2017). Data mining for business analytics: concepts, techniques, and applications in R. John Wiley & Sons. Bölüm 8 |
7 | Regresyon ağaçları ve tasnif modeli değerlendirme | Shmueli, G., Bruce, P. C., Yahav, I., Patel, N. R., & Lichtendahl Jr, K. C. (2017). Data mining for business analytics: concepts, techniques, and applications in R. John Wiley & Sons. Bölüm 9 |
8 | Lojistik regresyon ve profilleme | Shmueli, G., Bruce, P. C., Yahav, I., Patel, N. R., & Lichtendahl Jr, K. C. (2017). Data mining for business analytics: concepts, techniques, and applications in R. John Wiley & Sons. Bölüm 10 |
9 | Eşleşme kuralları | Shmueli, G., Bruce, P. C., Yahav, I., Patel, N. R., & Lichtendahl Jr, K. C. (2017). Data mining for business analytics: concepts, techniques, and applications in R. John Wiley & Sons. Bölüm 14 |
10 | Kümeleme analizi | Shmueli, G., Bruce, P. C., Yahav, I., Patel, N. R., & Lichtendahl Jr, K. C. (2017). Data mining for business analytics: concepts, techniques, and applications in R. John Wiley & Sons. Bölüm 15 |
11 | Zaman serileri | Shmueli, G., Bruce, P. C., Yahav, I., Patel, N. R., & Lichtendahl Jr, K. C. (2017). Data mining for business analytics: concepts, techniques, and applications in R. John Wiley & Sons. Bölüm 16 |
12 | Zaman serileri tahminleme | Shmueli, G., Bruce, P. C., Yahav, I., Patel, N. R., & Lichtendahl Jr, K. C. (2017). Data mining for business analytics: concepts, techniques, and applications in R. John Wiley & Sons. Bölüm 17&18 |
13 | Büyük veri teknikleri ve teknoloji yığını, örnek: veri özetleme | Shmueli, G., Bruce, P. C., Yahav, I., Patel, N. R., & Lichtendahl Jr, K. C. (2017). Data mining for business analytics: concepts, techniques, and applications in R. John Wiley & Sons. Bölüm 17 |
14 | İleri teknikler: metin analizi, sosyal ağ analizi | Shmueli, G., Bruce, P. C., Yahav, I., Patel, N. R., & Lichtendahl Jr, K. C. (2017). Data mining for business analytics: concepts, techniques, and applications in R. John Wiley & Sons. Bölüm 19&20 |
15 | Sınıf içi tartışma | |
16 | Dönemin gözden geçirilmesi |
Ders Kitabı | Shmueli, G., Bruce, P. C., Yahav, I., Patel, N. R., & Lichtendahl Jr, K. C. (2017). Data mining for business analytics: concepts, techniques, and applications in R. John Wiley & Sons. ISBN: 978-1-118-87936-8 |
Önerilen Okumalar/Materyaller |
Yarıyıl Aktiviteleri | Sayı | Katkı Payı % |
Katılım | ||
Laboratuvar / Uygulama | ||
Arazi Çalışması | ||
Küçük Sınav / Stüdyo Kritiği | 4 | 40 |
Portfolyo | ||
Ödev | 5 | 40 |
Sunum / Jüri Önünde Sunum | ||
Proje | ||
Seminer/Çalıştay | ||
Sözlü Sınav | ||
Ara Sınav | 1 | 20 |
Final Sınavı | ||
Toplam |
Yarıyıl İçi Aktivitelerin Başarı Notuna Katkısı | 10 | 100 |
Yarıyıl Sonu Aktivitelerin Başarı Notuna Katkısı | ||
Toplam |
Yarıyıl Aktiviteleri | Sayı | Süre (Saat) | İş Yükü |
---|---|---|---|
Teorik Ders Saati (Sınav haftası dahildir: 16 x teorik ders saati) | 16 | 2 | 32 |
Laboratuvar / Uygulama Ders Saati (Sınav haftası dahildir. 16 x uygulama/lab ders saati) | 16 | 2 | |
Sınıf Dışı Ders Çalışması | 13 | 2 | 26 |
Arazi Çalışması | |||
Küçük Sınav / Stüdyo Kritiği | 4 | 4 | |
Portfolyo | |||
Ödev | 5 | 10 | |
Sunum / Jüri Önünde Sunum | |||
Proje | |||
Seminer/Çalıştay | |||
Sözlü Sınav | |||
Ara Sınavlar | 1 | 24 | |
Final Sınavı | |||
Toplam | 180 |
# | Program Yeterlilikleri / Çıktıları | * Katkı Düzeyi | ||||
1 | 2 | 3 | 4 | 5 | ||
1 | İşletme alanındaki sorunları analitik ve bütünsel bir bakış açısıyla çözer. | X | ||||
2 | İşletme problemlerine ilişkin bulgu ve çözümleri yazılı ve sözlü formatta sunar. | |||||
3 | İşletme ve ekonomiye ilişkin kavram ve felsefelerin uygulamalarını ulusal ve uluslararası düzeyde yorumlar. | X | ||||
4 | İş hayatında karşılaşılan gerçek durumlar için yenilikçi ve yaratıcı bir yaklaşım kullanır. | |||||
5 | Liderlik becerilerini farklı iş koşullarında gösterir. | |||||
6 | Yeni teknoloji ve yazılımların iş dinamiklerine yansımalarını yorumlar. | X | ||||
7 | İşletmenin beş temel alanında (pazarlama, üretim, yönetim, muhasebe ve finans) edinilen bilgileri stratejik bir bakış açısıyla bir araya getirir. | |||||
8 | Alanıyla ilgili çalışmalarda bilimsel ve etik değerlere uygun hareket eder. | X | ||||
9 | Takım üyesi olarak etkin ve verimli çalışır. | |||||
10 | İş kararlarını verirken ve değerlendirirken etik bir bakış açısına ve sosyal duyarlılığa sahip olur. | X | ||||
11 | Bir yabancı dili kullanarak işletmecilik alanı ilgili bilgi toplar ve meslektaşları ile iletişim kurar ("European Language Portfolio Global Scale", Level B1). | |||||
12 | İkinci yabancı dili orta düzeyde kullanır. | |||||
13 | İnsanlık tarihi boyunca oluşan bilgi birikimini uzmanlık alanıyla ilişkilendirir. |
*1 Lowest, 2 Low, 3 Average, 4 High, 5 Highest