4885

МИНОБРНАУКИ РОССИИ

Федеральное государственное бюджетное образовательное учреждение высшего образования

«Нижегородский государственный архитектурно-строительный университет»

Прокопенко Н.Ю.

БИЗНЕС-АНАЛИТИКА

В ПРАКТИКЕ ПРЕДПРИЯТИЯ

Учебно-методическое пособие по подготовке к лекциям, практическим занятиям

(включая рекомендации по организации самостоятельной работы),

по выполнению расчетной работы

для обучающихся по дисциплине «Бизнес-аналитика в практике предприятия» по направлению подготовки 09.04.03 Прикладная информатика

направленность (профиль) Прикладная информатика в аналитической экономике

Нижний Новгород

2022

УДК 004.9

Прокопенко Н.Ю. / Бизнес-аналитика в практике предприятия: учебно-методическое пособие / Н.Ю. Прокопенко; Нижегородский государственный архитектурно-строительный университет – Нижний Новгород: ННГАСУ, 2022. – 21 с.– Текст: электронный.

В настоящем учебно-методическом пособии по дисциплине «Бизнес-аналитика в практике предприятия» даются конкретные рекомендации учащимся для освоения как основного, так и дополнительного материала дисциплины и тем самым способствующие достижению целей, обозначенных в учебной программе дисциплины. Цель учебно-методического пособия – это помощь в усвоении лекций, в подготовке к практическим занятиям, а также в написании расчетной работы.

Учебно-методическое пособие предназначено для обучающихся в ННГАСУ по дисциплине «Бизнес-аналитика в практике предприятия» по направлению подготовки 09.04.03 Прикладная информатика, направленность (профиль) Прикладная информатика в аналитической экономике.

© Н.Ю. Прокопенко, 2022

© ННГАСУ, 2022

2

1. Общие положения

. 1.1 Цели изучения дисциплины и результаты обучения

Основной целью освоения учебной дисциплины «Бизнес-аналитика в практике пред-

приятия» является достижение результатов обучения, предусмотренных установленным в ОПОП индикаторами достижения компетенций.

Целями освоения данной учебной дисциплины являются освоение методов анализа данных, ориентированных на конкретные предметные области деятельности организаций и формирование четкого представления о месте и роли современных технологий обработки данных – количественного и интеллектуального анализа данных (Data Mining) в решении ак-

туальных управленческих задач.

В процессе освоения дисциплины студент должен Знать:

особенности применения методов анализа данных при работе с информацией различ-

ного прикладного характера, типичного для деятельности коммерческих предприятий

современные технологии преобразования данных: ETL, OLTP, OLAP, KDD, Data Mining;

основные модели Data mining (деревья решений, ассоциативные правила, кластериза-

ция; искусственные нейронные сети), этапы, методы и инструментальные средства обработки данных.

конкретные ИАС, их возможности для решения прикладных управленческих и биз-

нес-задач.

Уметь:

использовать офисные пакеты и современные аналитические платформы для сбора,

анализа и интерпретации данных, возникающих при осуществлении хозяйственной деятельности;

описать данные, провести аудит, понять их структуру, создавать хранилища данных,

анализировать данные предметной области с помощью АП Loginom и MS Excel;

создавать ансамбли моделей для прогнозирования;

выполнять сравнение моделей и оценку их эффективности.

Владеть:

основными технологиями бизнес-аналитики, такими как OLAP-технологии, DM-

технологии, системы визуализации данных и решений и др.;

навыками решений типовых задач аналитики предприятий;

навыками применения базовых методов и моделей Data Mining;

навыками работы в АП Loginom.

Данная дисциплина позволит магистрантам не только систематизировать полученные теоретические знания, укрепить исследовательские навыки, но и даст возможность ориенти-

роваться в новом предметном поле экономической информатики.

. 1.2 Содержание дисциплины

1.Схема межотраслевого баланса и основные балансовые соотношения произ-

водства и распределения продукции.

Построение балансовой модели. Принципиальная схема межотраслевого баланса и основные балансовые соотношения.

2.Моделирование рыночного равновесия.

Экономическая модель точки безубыточности. Этапы расчета точки безубыточности.

Способы расчета точки безубыточности. Расчет точки безубыточности в Excel. Практическая польза использования точки безубыточности. Построение графика точки безубыточности.

Примеры расчета точки безубыточности для предприятия. Анализ безубыточности в АП

Loginom.

3.АBC-XYZ-анализ продаж в оптовой и розничной торговле. Матрица Бостон-

ской Консалтинговой Группы. Прогнозирование в торговле и логистике.

Методика АBC-XYZ-анализа продаж. Характеристика эффективности ассортимент-

ной политики, на основе матрицы совмещенного анализа. Общая схема построения аналити-

ческого решения для прогнозирования сбыта продукции. Типовые проблемы, с которыми может столкнуться аналитик, возможные варианты их решения. Повышение качества про-

гноза, используя механизмы очистки, группировки и подстройки под новые данные в анали-

тических платформах.

4.Клиентская аналитика. RFM-анализ для классификации клиентов.

Моделирование поведения потребителей при помощи функций полезности. Сегмен-

тация клиентской базы. Выбор целевой аудитории. Формирование адресных предложений.

Анализ отклика клиентов. Оценка эффективности программы лояльности.

5.Применение методов глубокого анализа бизнес-данных. Ансамбли моделей.

5

Подходы к анализу на базе ансамблей классификаторов.

Промышленное прогнозирование на примере прогнозирования электроэнергии, оцен-

ки стоимости недвижимости, построения скоринговой карты для оценки кредитоспособности клиентов банка. Построение цепочки принятия решений о выдаче кредита, используя воз-

можности АП Loginom.

. 1.3 Вспомогательная литература для изучения дисциплины

Для освоения дисциплины обучающийся может использовать печатные и электрон-

ные издания и методические материалы, имеющиеся в библиотеке ННГАСУ и/или разме-

щённые в электронных библиотечных системах (ЭБС), предоставляющих право использова-

ния изданий на основании договорных отношений с университетом, а также иные общедо-

ступные ресурсы сети «Интернет».

Печатные и электронные издания

1. Бендерская О. Б.. Бизнес-аналитика : Учебное пособие. / Бендерская О. Б. ; О. Б. Бендер-

ская. – Белгород : Белгородский государственный технологический университет им. В.Г.

Шухова, ЭБС АСВ, 2017. – 162 с. – URL: URL: http://www.iprbookshop.ru/92242.html. – ISBN ISBN 2227-8397.

2. Кугаевских А. В.. Проектирование информационных систем. Системная и бизнес-

аналитика : Учебное пособие. / Кугаевских А. В. ; А. В. Кугаевских. – Новосибирск : Ново-

сибирский государственный технический университет, 2018. – 256 с. – URL: URL: http://www.iprbookshop.ru/91689.html. – ISBN ISBN 978-5-7782-3608-0.

3. Мхитарян C. В.. Бизнес-аналитика в менеджменте : Практикум. / Мхитарян C. В. ; Мхита-

рян C. В.. – Москва : Евразийский открытый институт, 2011. – 72 с. – URL: URL: http://www.iprbookshop.ru/10622.html. – ISBN ISBN 978-5-374-00464-9.

4. Аналитика и контроль / Уральский федеральный университет. – URL: URL: http://www.iprbookshop.ru/72281.html. – ISBN ISBN 2073-1442.

Методические материалы по дисциплине

1. Прокопенко Наталья Юрьевна. Методы бизнес-аналитики : учеб.-метод. пособие по под-

гот. к лекциям, практ. занятиям (включая рекомендации по орг. самостоят. работы) для обу-

чающихся по дисциплине "Методы бизнес-аналитики" по направлению подгот. 09.04.03

6

Приклад. информатика, профиль Приклад. информатика в аналит. экономике. / Прокопенко Наталья Юрьевна ; Нижегор. гос. архит.-строит. ун-т. – Нижний Новгород : ННГАСУ, 2016.

– 1 CD ROM. – URL: URL: http://catalog.nngasu.ru/MarcWeb2/.

2. Прокопенко Наталья Юрьевна. Бизнес-аналитика в практике предприятия : учеб.-метод.

пособие по подгот. к лекциям, практ. занятиям (включая рекомендации по орг. самостоят.

работы) для обучающихся по дисциплине "Бизнес-аналитика в практике предприятия" по направлению подгот. 09.04.03 Приклад. информатика, профиль Приклад. информатика в аналит. экономике. / Прокопенко Наталья Юрьевна ; Нижегор. гос. архит.-строит. ун-т. –

Нижний Новгород : ННГАСУ, 2016. – 1 CD ROM. – URL: URL: http://catalog.nngasu.ru/MarcWeb2/.

2. Методические указания по подготовке к лекциям

. 2.1 Общие рекомендации по работе на лекциях

Лекция является главным звеном дидактического цикла обучения. Ее цель – форми-

рование основы для последующего усвоения учебного материала. В ходе лекции преподава-

тель в устной форме, а также с помощью презентаций передает обучаемым знания по основ-

ным, фундаментальным вопросам изучаемой дисциплины.

Назначение лекции состоит в том, чтобы доходчиво изложить основные положения изучаемой дисциплины, ориентировать на наиболее важные вопросы учебной дисциплины и оказать помощь в овладении необходимых знаний и применения их на практике.

При подготовке к лекционным занятиям студенты должны ознакомиться с презента-

ций, предлагаемой преподавателем, отметить непонятные термины и положения, подгото-

вить вопросы с целью уточнения правильности понимания. Рекомендуется приходить на лекцию подготовленным, так как в этом случае лекция может быть проведена в интерактив-

ном режиме, что способствует повышению эффективности лекционных занятий.

. 2.2 Общие рекомендации при работе с конспектом лекций

В ходе лекционных занятий необходимо вести конспектирование учебного материала.

Конспект помогает внимательно слушать, лучше запоминать в процессе осмысленного запи-

сывания, обеспечивает наличие опорных материалов при подготовке к семинару, зачету, эк-

замену.

Полезно оставить в рабочих конспектах поля, на которых делать пометки из рекомен-

дованной литературы, дополняющие материал прослушанной лекции, а также подчеркива-

ющие особую важность тех или иных теоретических положений.

7

В случае неясности по тем или иным вопросам необходимо задавать преподавателю уточняющие вопросы. Следует ясно понимать, что отсутствие вопросов без обсуждения означает в большинстве случаев неусвоенность материала дисциплины.

. 2.3 Контрольные вопросы

1. Каковы особенности данных, накапливаемых в компаниях? (Выберите три варианта ответа)

а) Данные редко накапливаются специально для решения задач анализа б) Данные всегда представлены в структурированной форме в) Как правило, данные содержат ошибки, аномалии и пропуски г) Почти всегда носят неполный, фрагментарный характер

2. Предсказательный анализ направлен на:

а) сравнение результатов исследования двух групп (например, двух рыночных сегментов) для определения степени различия их поведения

б) определение систематических связей (их направленности и силы) между переменными (например, между затратами на рекламу и объемами сбыта)

в) прогнозирование развития событий в будущем (например, путем анализа временных рядов)

г) использование статистических процедур (например, проверки гипотез) с целью обобщения полученных результатов на всю совокупность

3. Data Mining – это:

а) необработанный материал, предоставляемый поставщиками данных и используемый потребителями для формирования информации на основе данных

б) поиск независимых групп и их характеристик во всем множестве анализируемых данных

г) нахождение частых зависимостей между объектами или событиями в) процесс обнаружения в сырых данных знаний, необходимых для принятия решений

в различных сферах человеческой деятельности

4. Рыночное равновесие – это ситуация, при которой:

а) Уравновешиваются экономические интересы продавцов и покупателей, значит,

объемы (величины) спроса и предложения равны между собой, на рынке устанавливается равновесная цена, при которой количество предлагаемых продавцами товаров и количество покупаемых потребителями товаров совпадают

б) Государство издает план на требуемое количество выпуска данной продукции, а

8

потребители и продавцы подчиняются ему в) Уравновешиваются экономические интересы продавцов и покупателей, значит,

объемы (величины) спроса и предложения равны между собой, равновесную цену на товар устанавливает государство.

5. OLAP – Online Analytical Processing:

а) объединение данных из нескольких источников б) поиск независимых групп и их характеристик во всем множестве анализируемых

данных в) это класс приложений и технологий, предназначенных для оперативной

аналитической обработки многомерных данных (сбор, хранение, анализ) для анализа деятельности корпорации и прогнозирования будущего состояния с целью поддержки принятия управленческих решений

г) процесс дополнения данных некоторой информацией, позволяющей повысить эффективность решения задач

6. Интеллектуальный анализ данных – это:

а) статистический метод обработки данных б) исследование и обнаружение в сырых данных скрытых знаний, которые ранее не

были известны, нетривиальны, практически полезны в) технология оперативной аналитической обработки данных, использующая методы и

средства для сбора, хранения и анализа многомерных данных в целях поддержки процессов принятия решений

г) модель некоторой предметной области, состоящая из связанных между собой данных об объектах, их свойствах и характеристиках

7. Кластеризация – это:

а) это установление зависимости непрерывной выходной переменной от входных переменных

б) выявление закономерностей между связанными событиями в) эта группировка объектов (наблюдений, событий) на основе данных, описывающих

свойства объектов г) это установление зависимости дискретной выходной переменной от входных

переменных

8. Регрессионные модели описывают:

а) правила или набор правил, в соответствии с которыми можно отнести описание

любого нового объекта к одному из классов

9

б) функциональные зависимости между зависимыми и независимыми показателями и переменными

в) группы, на которые можно разделить объекты, данные о которых подвергаются анализа

г) исключительные ситуации в записях, которые резко отличаются по некоторому признаку от основного множества объектов

9. Целью поиска ассоциативных правил является:

а) нахождение частых зависимостей между объектами или событиями б) определение по известным характеристикам объекта значение некоторого его

параметра в) определение класса объекта по его характеристикам

г) поиск независимых групп и их характеристик во всем множестве анализируемых данных

10. Аналитическая платформа — это:

а) специализированное программное решение (или набор решений), которое включает в себя все инструменты для извлечения закономерностей из сырых данных

б) эта группировка объектов (наблюдений, событий) на основе данных, описывающих свойства объектов

в) набор данных, каждая запись которого представляет собой учебный пример,

содержащего заданный входной влияние, что и отвечает ему правильный выходной результат

г) подразделение искусственного интеллекта изучающий методы построения алгоритмов, способных обучаться на данных

11. Программные средства, функционирующие в рамках предприятия и обеспечивающие функции доступа и анализа информации, которая находится в хранилище данных, а также обеспечивающие принятие правильных и обоснованных управленческих решений называются

а) Business Intelligence

б) системы оперативной аналитической обработки (OLAP)

в) средства интеллектуального анализа данных г) средства организации параллельных вычислений на кластерах

12. Статистическая модель, выражающая в математической форме динамические закономерности развития изучаемого явления или процесса:

а) Трендовая модель

10