Prowadzony w cyklach: 2023/24_Z, 2024/25_Z, 2025/26_Z, 2026/27_Z

Kod ISCED: 0311

Punkty ECTS: 4

Język: angielski

Organizowany przez: Wydział Społeczno-Ekonomiczny

Big Data Analytics for Business WSE-EK-MON-BDAB

Moduł I. Big Data
1. Wprowadzenie: historia, definicja i przykłady
2. Charakterystyka Big Data
3. Typy Big Data
4. Podstawa klasyfikacji Big Data
5. Analiza SWOT Big Data
6. Big Data w ekonomii
Moduł II. Analityka Big Data
1. Niepewność danych
2. Modele analityczne
3. Analityka opisowa
4. Analityka predykcyjna
5. Analityka preskryptywna
6. Analityka: wymagania organizacji konkurencyjnych, w przypadku:
- Transformacja organizacyjna
- Złożoność systemu
- Operacje na woluminach
- Wiedza analityków
- Przypadek Amazon.com
Moduł III. Wizualizacja Big Data
1. Fakty i definicja
2. Rodzaje prezentacji danych
3. Ilustracja przypadku
Moduł IV. Eksploracja danych
1. Eksploracja danych i obszary zastosowania
2. Główne techniki eksploracji danych
3. Przykładowe przypadki z:
- Analiza głównych składowych (PCA) przy użyciu oprogramowania SPSS

W cyklu 2023/24_Z:

Istnieje wykładniczy wzrost ilości danych generowanych przez człowieka i coraz potężniejszych maszyn, które sobie z tym radzą. Naukowcy zajmujący się danymi zaproponowali ostatnio różne metody analizy tej kategorii danych, których zakres dotyka każdego obszaru nauki społecznych.
Ważne jest, aby decydenci ekonomiczni mogli zrozumieć i zinterpretować wyniki dostarczone przez analityków danych na poziomie mikroekonomicznym i makroekonomicznym. To jest właśnie cel tego kursu pod względem kompetencji społecznych, dla przyszłych ekonomistów i liderów biznesu, aby zapoznać się z wizualizacją i analizą Big Data w celu rozwiązania podstawowych pytań.
Ten kurs wprowadzi Big Data i omówi, co pociąga za sobą analiza tych danych, a także związane z tym wyzwania techniczne, koncepcyjne i etyczne. Zapewnia również podstawowe doświadczenie w zarządzaniu i analizie dużych i złożonych struktur danych powszechnie określanych jako eksploracja danych lub analiza eksploracyjna.

Dyscyplina naukowa, do której odnoszą się efekty uczenia się

ekonomia i finanse

E-Learning

E-Learning (pełny kurs)

Grupa przedmiotów ogólnouczenianych

nie dotyczy

Opis nakładu pracy studenta w ECTS

W cyklu 2023/24_Z:

Aktywność studencka Nakład pracy studenta w godzinach udział w wykładzie 30 przygotowanie do dyskusji międzygrupowych 25 konsultacja 5 czas na napisanie pracy 10 czas na samoocenę pracy międzygrupowej 5 przygotowanie do egzaminu 25 CAŁKOWITA LICZBA GODZIN 100 LICZBA PUNKTÓW ECTS 100 godzin / 30 (25) godzin ≈ 4

W cyklu 2022/23_Z:

W cyklu 2025/26_Z:

Aktywność studenta Nakład pracy studenta w godzinach Udział w wykładach: 30 Przygotowanie do dyskusji międzygrupowych (projekty w małych grupach): 25 Konsultacje: 5 Czas na napisanie pracy: 15 Przygotowanie do egzaminu: 25 ŁĄCZNA LICZBA GODZIN: 100 PUNKTY ECTS: 100 godzin / 30 (25) godzin ≈ 4

Poziom przedmiotu

średnio-zaawansowany

Symbol/Symbole kierunkowe efektów uczenia się

EK1_WO4 EK1_UO3 EK1_UO4 EK1_UO9 EK1_kO3

Typ przedmiotu

W cyklu 2023/24_Z:

fakultatywny dowolnego wyboru

W cyklu 2025/26_Z:

obowiązkowy

W cyklu 2024/25_Z:

obowiązkowy

W cyklu 2026/27_Z:

obowiązkowy

Wymagania wstępne

Podstawowa znajomość statystyki opisowej

Koordynatorzy przedmiotu

Second Bwanakare

Efekty kształcenia

Wiedza
Student będzie w stanie opisać różne rodzaje obserwacji statystycznych. Będzie on w stanie zdefiniować Big Data w różnych aspektach związanych z analityką biznesową i eksploracją danych. Student będzie ze znanymi wizualnymi reprezentacjami danych i będzie w stanie je zinterpretować.

UMIEJĘTNOŚCI
Student będzie mógł
• Wybierz metody ilościowe w zależności od rodzaju problemu
• Zastosuj podstawowe metody ilościowe Big Data i zinterpretuj wyniki
• Opiniuj mocne strony i ograniczenia treści wniosków empirycznych.

KOMPETENCJE
Student potrafi dobierać metody ilościowe w zależności od rodzaju postawionego problemu.
Student jest przygotowany do prawidłowego zastosowania podstawowych metod ilościowych Big Data oraz interpretacji otrzymanych wyników.
Student opiniuje mocne i słabe strony treści wniosków empirycznych.

Kryteria oceniania

Forma zajęć: Wykład monograficzny
Na ocenę końcową składają się:
a) Aktywność na wykładach i obecność: 20%
b) Projekt w grupie i jego indywidualna prezentacja + egzamin ustny podczas prezentacji projektu: 80%.

10 pkt - ocena: 5.0
8-9 pkt - ocena: 4,5
7-8 pkt - ocena: 4.0
6-7 pkt - ocena: 3,5
5-6 pkt - ocena: 3.0
poniżej 5 pkt - ocena: 2,0

2 – niedostateczna- Student nie dostarczył pracy lub praca nie jest jego niezależnym osiągnięciem, jest chaotyczna w odniesieniu do różnych koncepcji Big Data i metod analizy technicznej. Student nie rozumie podstawowych pojęć związanych z analityką Big Data i unika dyskusji związanych z kwestiami Big Data

3 – dostateczna- Student udowadnia, że rozumie podstawowe pojęcia Big Data w różnych aspektach związanych z analityką biznesową i eksploracją danych pokazaną na wykładzie. Może wizualizować dane statystyczne za pomocą oprogramowania omówionego podczas wykładów. Nadal wykazuje trudności z empiryczną stroną Big Data w odniesieniu do technik eksploracji danych. Student ma podstawowe spostrzeżenia związane z koncepcjami i wizualizacją Big Data. Nie opanowuje technik obliczeniowych, ale uznaje ich przydatność. Byłby gotów zwiększyć wiedzę i umiejętności do celów zawodowych.
4 – dobra- Student wykonał dobrą pracę i prawidłowo określił problemy i pozycje. Jest w stanie wybrać i zastosować odpowiednie metody ilościowe w zależności od rodzaju problemu. Student inicjuje dyskusje związane z zagadnieniami Big Data i rozumie różne raporty prezentowane przez inżynierów danych w dziedzinie analityki biznesowej lub ekonomicznej.
5 -bardzo dobra- Student wykonał dobrą pracę i poprawnie określił problemy i pozycje. Jest w stanie wybrać i zastosować odpowiednie metody ilościowe w zależności od rodzaju problemu. Potrafi odpowiednio zinterpretować rozwiązanie i pokazać, aby nawiązywać do literatury zaproponowanej w sylabusie. Student inicjuje dyskusje związane z zagadnieniami Big Data, może wybrać i skutecznie zastosować techniki obliczeniowe do rozwiązywania problemów w analityce biznesowej i rozumie implikacje Big Data w biznesie i może umieścić je w szerszym kontekście codziennego życia.

Literatura

1) Craig Stedman, redaktor w Large, SearchDataManagement.com, The ultimate guide to big data for businesses, https://
searchdatamanagement.techtarget.com/pro/The-Ultimate-Guide-to-Big-Data-for-Businesses?vgnextfmt=confirmation. Aby
uzyskać więcej informacji, odwiedź stronę http://SearchDataManagement.com/
2) Hrudaya Kumar Thripathy, Analiza danych (str. 1-55), https://www.slideshare.net/hktripathy/lecture1-introduction-to-bigdata
3) S. Bwanakare (et al.), ESSnet Big Data I, WP7 Reports, milestones and deliverables1, EUROSTAT, 2017, https://
ec.europa.eu/eurostat/cros/search/site/WP7%2520Multiple%2520domains_en .
Teksty fakultatywne:
1) Thomas H. Davenport , Analytics 3.0: Big Data and Small Data in Big and Small Companies, Wykład dziekana, Berkeley
School of Information, 18 września 2013 r.
https://www.ischool.berkeley.edu/events/2013/analytics-30-big-data-and-small-data-big-and-small-companies
2) S. Bwanakare (et al.), Reconciling conflicting cross-border data sources for updating national accounts: The cross-entropy
econometrics approach, Statistical Journal of the IAOS, vol. Pre-press, nie. Pre-press, ss. 1–9, 2020 r., https://
content.iospress.com/articles/statistical-journal-of-the-iaos/sji180489 ,
3) R. Raka i S. Bwanakare, Ilościowa charakterystyka korelacji danych meteorologicznych, Polska Akademia Nauk, Acta
Physica Polonica A,vol. 129/5, maj 2016, DOI: 10.12693 / APhysPolA.129.922 lub http://przyrbwn.icm.edu.pl/APP/PDF/129/
a129z5p05.pdf

W cyklu 2023/24_Z:

2) Hrudaya Kumar Thripathy, Analiza danych (str. 1-55), https://www.slideshare.net/hktripathy/lecture1-introduction-to-big-data

3) S. Bwanakare (et al.), ESSnet Big Data I, WP7 Reports, milestones and deliverables1, EUROSTAT, 2017, https://ec.europa.eu/eurostat/cros/search/site/WP7%2520Multiple%2520domains_en .

Teksty fakultatywne:

1) Thomas H. Davenport , Analytics 3.0: Big Data and Small Data in Big and Small Companies, Wykład dziekana, Berkeley School of Information, 18 września 2013 r.

https://www.ischool.berkeley.edu/events/2013/analytics-30-big-data-and-small-data-big-and-small-companies

2) S. Bwanakare (et al.), Reconciling conflicting cross-border data sources for updating national accounts: The cross-entropy econometrics approach, Statistical Journal of the IAOS, vol. Pre-press, nie. Pre-press, ss. 1–9, 2020 r., https://content.iospress.com/articles/statistical-journal-of-the-iaos/sji180489

3) R. Raka i S. Bwanakare, Ilościowa charakterystyka korelacji danych meteorologicznych, Polska Akademia Nauk, Acta Physica Polonica A,vol. 129/5, maj 2016, DOI: 10.12693 / APhysPolA.129.922 lub http://przyrbwn.icm.edu.pl/APP/PDF/129/a129z5p05.pdf

W cyklu 2025/26_Z:

Literatura:
1) Craig Stedman, redaktor w Large, SearchDataManagement.com, The ultimate guide to big data for businesses, https://
searchdatamanagement.techtarget.com/pro/The-Ultimate-Guide-to-Big-Data-for-Businesses?vgnextfmt=confirmation. Aby
uzyskać więcej informacji, odwiedź stronę http://SearchDataManagement.com/
2) Hrudaya Kumar Thripathy, Analiza danych (str. 1-55), https://www.slideshare.net/hktripathy/lecture1-introduction-to-bigdata
3) S. Bwanakare (et al.), ESSnet Big Data I, WP7 Reports, milestones and deliverables1, EUROSTAT, 2017, https://
ec.europa.eu/eurostat/cros/search/site/WP7%2520Multiple%2520domains_en .

Teksty fakultatywne:
1) Thomas H. Davenport , Analytics 3.0: Big Data and Small Data in Big and Small Companies, Wykład dziekana, Berkeley
School of Information, 18 września 2013 r.
https://www.ischool.berkeley.edu/events/2013/analytics-30-big-data-and-small-data-big-and-small-companies
2) S. Bwanakare (et al.), Reconciling conflicting cross-border data sources for updating national accounts: The cross-entropy
econometrics approach, Statistical Journal of the IAOS, vol. Pre-press, nie. Pre-press, ss. 1–9, 2020 r., https://
content.iospress.com/articles/statistical-journal-of-the-iaos/sji180489 ,
3) R. Raka i S. Bwanakare, Ilościowa charakterystyka korelacji danych meteorologicznych, Polska Akademia Nauk, Acta
Physica Polonica A,vol. 129/5, maj 2016, DOI: 10.12693 / APhysPolA.129.922 lub http://przyrbwn.icm.edu.pl/APP/PDF/129/
a129z5p05.pdf

Więcej informacji

Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb:

Strona przedmiotu WSE-EK-MON-BDAB w USOSweb