Programma

Onderstaand figuur toont een schematisch overzicht van de modules in de PGO, verdeeld over de periodes en dagdelen (onder voorbehoud). We starten (als onderdeel van periode 1) met een introductiecollege over de kernconcepten van het curriculum. De verschillende modules en docenten passeren in dit introductiecollege de revue.

Programma PGO Business Analytics

1.1 Advanced Statistical Methods
In de praktijk moet men dikwijls data op een geschikte en efficiënte wijze verzamelen, analyseren, interpreteren en presenteren. Dit vereist kennis en wetenschap van technieken uit de statistiek. In deze module maken we kennis met theorie en toepassingen van een aantal veelgebruikte statistische technieken. Na het doorlopen van deze module kunnen datasets op een relevante manier samengevat en geanalyseerd worden.

Keywords: (multivariate) data analysis, hypothesis testing, logit and probit models, Bayesian statistics, dimension reduction, regression, forecasting

1.2 Big Data Infrastructures and Technologies
Om met zeer grote hoeveelheden (‘big’) data te kunnen werken zijn specifieke infrastructuren nodig die vaak gedistribueerd zijn en een grote opslag- en rekencapaciteit vereisen. In deze module wordt aandacht besteed aan deze infrastructuren: welke varianten zijn er, hoe kunnen ze worden opgezet en hoe kunnen ze worden gebruikt om zo efficiënt mogelijk data op te slaan en algoritmes te draaien over de data? MapReduce en Hadoop zijn voorbeelden van aanpakken die behandeld zullen worden.

Keywords: parallel systems, distributed systems, infrastructures, databases, high performance computing, MapReduce

2.1 Predictive Modeling
In veel beslissingsvraagstukken is er de wens om te weten welke toekomstige gebeurtenissen er zullen optreden zodat de beste beslissingen genomen kunnen worden. Op basis van historische data is het mogelijk om patronen te distilleren die iets over de toekomst zeggen. Het proces om van data naar een wiskundig model te komen om een zo goed mogelijke voorspelling te maken heet predictive modelling. In deze module geven we een overzicht van de meest relevante technieken en doen we hiermee ervaring op door ze toe te passen op datasets.

Keywords: classification models, simulation (Monte Carlo, discrete event), stochastic models

2.2 Behavioral Decision Making
Big data kan gebruikt worden om het gedrag van mensen in kaart te brengen. Om deze kennis te vertalen in bruikbare inzichten en beter beleid, is het noodzakelijk om enige kennis te hebben van algemene principes die ten grondslag liggen aan keuzes en gedrag. In deze module bieden wij een overzicht van deze principes, en laten wij – aan de hand van onderzoeken en praktijkcases – zien hoe zij toegepast kunnen worden om sales te vergroten, om overheidsdoelstellingen te bereiken, en om consumenten en managers betere beslissingen te laten nemen.

Keywords: heuristics and biases, nudging, persuasion, influencing, behavioral economics

3.1 Business Intelligence & Analytics
Deze module richt zich op: doelen en inrichting van de Business Intelligence & Analytics (BI&A) functie in organisaties, vormgeving en inhoud van belangrijke BI&A processen, en BI&A projectmanagement.

Keywords: business intelligence framework, business intelligence on demand (organisatie van BI functie), information requirements, business performance management, BI maturity, data quality, projectmanagement, visual analytics

3.2 Ethics, Law and Privacy for BADS
Het proces van data-analyse bestaat uit drie fasen: (i) verzamelen van data, (ii) bevragen van die data en (iii) de gevolgen die je verbindt aan deze analyse. In elk van deze fasen spelen ethische en juridische aspecten een rol en daar gaan we in deze module dieper op in.

Keywords: purpose-specification, data limitation, feature creep, data processing, liability, contracting, security

4.1 Optimization
Een groot aantal (meestal complexe) taken in organisaties kan beschouwd worden als optimalisatieproblemen, waar het zaak is om een gegeven doel te minimaliseren of te maximaliseren. In het meest simpele geval zijn alle gegevens bekend en leidt dit tot deterministische optimalisatie. Er zijn echter ook gevallen waarbij beslissingen onder onzekerheid genomen moeten worden, resulterend in stochastische optimalisatie. In deze module wordt aandacht besteed aan technieken uit de optimalisatie en de tools om oplossingen te genereren.

Keywords: deterministic optimization, stochastic optimization, heuristics

4.2 Data-driven Business Model Innovation
De datarevolutie heeft grote gevolgen voor de samenleving en biedt zowel bedreigingen als kansen voor organisaties. Big data wordt gezien als een veroorzaker van disruptive change. In deze module gaan we aan de hand van het business model canvas dieper in op de consequenties van big data voor de manier waarop organisaties waarde creëren. We behandelen innovatie op drie niveaus (proces, product/dienst en ecosysteem) en dat dit invloed heeft op alle elementen van het canvas. Ook wordt aandacht besteed aan hoe (of: in hoeverre) je als organisatie data-driven innovation kunt organiseren, zodat goed ingespeeld kan worden op de mogelijkheden.

Keywords: business model canvas, digital innovation, innovation process, non-disruptive & disruptive innovation

5.1 Information Retrieval & Intelligent Web Applications
Vaak bevatten datasets niet alleen gestructureerde, maar ook veel ongestructureerde data zoals vrije tekstvelden. In deze module worden technieken behandeld om uit deze ongestructureerde tekst informatie te extraheren met behulp van algoritmes (zoals PageRank). In aanvulling daarop worden technieken behandeld om meer kennis toe te voegen aan de ongestructureerde data (in lijn met het zogenaamde semantic web, gebruikmakend van ontologies) waarmee de data interpreteerbaar wordt gemaakt voor computers.

Keywords: unstructured data, semantic web

5.2 Artificial Intelligence: Data Mining & Machine Learning
Grote hoeveelheden data bevatten vaak een enorme rijkdom aan informatie. Om deze informatie te extraheren zijn traditionele technieken echter niet meer afdoende. Data Mining en Machine Learning technieken uit het domein van de Kunstmatige Intelligentie zijn specifiek ontwikkeld om op een data-gedreven manier automatisch patronen te ontdekken. In dit vak zullen state-of-the-art machine learning algoritmes voor classificatie (o.a. decision trees, random forests, SVM), regressie (bijvoorbeeld model trees, regression trees), clustering (waaronder k-means) en association rules (APRIORI) behandeld worden in een toegepaste setting.

Keywords: neural networks, text mining

6.1 BADS Project
Realisatie van een project gericht op toepassing van hetgeen in de opleiding is behandeld. Hierbij vindt integratie plaats van de drie kerndisciplines (wiskunde, informatica en bedrijfskunde). Studenten hebben in beginsel grote inbreng bij het formuleren van het projectplan (doelen en resultaten). Projecten zijn bij voorkeur gericht op inbedding in de huidige werkomgeving.

6.2 INFORMS Exam Preparation
Deze module geldt als voorbereiding voor de studenten die deel willen nemen aan het INFORMS-examen Certified Analytics Professional.