Код: 318834Назва:
Фінансова бізнес-аналітика та аналіз даних
Анотація: Метою курсу є формування у студентів цілісного уявлення про фінансові аспекти бізнес-аналітики і аналізу даних та розвиток навичок постановки і вирішення бізнес-задач шляхом проведення аналізу господарських процесів та показників діяльності компаній з використанням новітніх підходів, методів та застосунків. Завдання курсу полягає вивченні теоретико-методологічних засад та практичних аспектів здійснення фінансової аналітики у сфері бізнесу. Вивчення дисципліни дасть змогу студентам приймати обґрунтовані бізнес-рішення, обирати відповідні інструменти для вирішення різноманітних робочих завдань, збирати, обробляти та аналізувати необхідні дані, робити прогнози ключових метрик та розраховувати бізнес-кейси, автоматизувати рутинні задачі, а також візуалізувати та представляти результати проведеного аналізу з врахуванням особливостей аудиторії та фінансового контексту. Курс базується на дисциплінах "Фінансовий аналіз", "Економічний аналіз", "Економіко-математичне моделювання", "Системи обробки соціально-економічної інформації", "Статистика", "Інформатика", "Фінансова економетрика", "Маркетинг".Тип дисципліни: вибіркова Рік навчання: 2Семестр: 4, веснянийКількість кредитів: 4 ( загальна кількість годин - 120; аудиторні - 40 год, лекційні - 20 год, практичні - 20 год, сам. робота 80 год.)Форма контролю: залікВикладач(і): к.е.н. Насаченко М.Ю.Результати навчання: - використовувати фундаментальні закономірності розвитку фінансів, банківської справи та страхування у поєднанні з дослідницькими і управлінськими інструментами для здійснення професійної та наукової діяльності;- відшуковувати, обробляти, систематизувати та аналізувати інформацію, необхідну для вирішення професійних та наукових завдань в сфері фінансів, банківської справи та страхування;- вміти застосовувати інноваційні підходи у сфері фінансів, банківської справи та страхування та управляти ними;- застосовувати поглиблені знання в сфері фінансового, банківського та страхового менеджменту для прийняття рішень.Спосіб навчання: аудиторний, дистанційнийНеобхідні обовязкові попередні й супутні модулі: "Статистика", "Фінансовий аналіз", "Фінансова економетрика"Зміст дисципліни: Роль та місце фінансової аналітики та аналізу даних у бізнесі;
Аналітичні методології у прийнятті фінансових рішень;
Написання скриптів та автоматизація задач;
Збір, обробка та зберігання даних;
Робота з фінансовими даними у табличних процесорах;
Використання спеціалізованих застосунків та систем фінансової бізнес-аналітики;
Візуалізація даних та представлення результатів аналізу;
Бізнес-метрики;
Аналітика за функціональними напрямками;
Предиктивна (прогнозна) фінансова аналітика та застосування "науки даних" (data science) у бізнесі.Рекомендована література: 1. Bader, D. (2017). Python Tricks: A Buffet of Awesome Python Features (1st ed.). UK: Dan Bader. 2. Cluster, K. (2019). Python For Data Analysis: A Step-by-Step Guide to Pandas, NumPy, and SciPy for Data Wrangling, Analysis, and Visualization. US: Independently published. 3. Devlin, B. (2013). Business unIntelligence: Insight and Innovation beyond Analytics and Big Data (First). US: Technics Publications, LLC. 4. Eremenko, K. (2018). Confident Data Skills: Master the Fundamentals of Working with Data and Supercharge Your Career (Confident Series) (1st ed.). London, UK: Kogan Page. 5. Foreman, J. W. (2013). Data Smart: Using Data Science to Transform Information into Insight (1st ed.). US: Wiley. 6. Jain, P., & Sharma, P. (2014). Behind Every Good Decision: How Anyone Can Use Business Analytics to Turn Data into Profitable Insight. NY: AMACOM. 7. Jeffery, M. (2010). Data-Driven Marketing: The 15 Metrics Everyone in Marketing Should Know (1st ed.). Hoboken, NJ: Wiley. 8. Kennedy, D. S. (2011). No B.S. Price Strategy: The Ultimate No Holds Barred Kick Butt Take No Prisoner Guide to Profits, Power, and Prosperity (1st ed.). US: Entrepreneur Press. 9. Knaflic, C. N. (2015). Storytelling with Data: A Data Visualization Guide for Business Professionals (1st ed.). US: Wiley. 10. McKinney, W., & PyData Development Team. (2019). pandas: powerful Python data analysistoolkit. Retrieved from https://pandas.pydata.org/pandas-docs/stable/pandas.pdf 11. Moss, L. T., & Atre, S. (2003). Business Intelligence Roadmap: The Complete Project Lifecycle for Decision-Support Applications (Addison-Wesley Information Technology Series) (1st ed.). Boston, MA: Addison-Wesley Professional. 12. Provost, F., & Fawcett, T. (2013). Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking (1st ed.). US: O'Reilly Media. 13. Sherman, R. (2014). Business Intelligence Guidebook: From Data Integration to Analytics (1st ed.). Waltham, MA: Morgan Kaufmann. 14. Slatkin, B. (2015). Effective Python: 59 Specific Ways to Write Better Python (Effective Software Development Series) (1st ed.). US: Addison-Wesley Professional. 15. Southekal, P. (2017). Data for Business Performance: The Goal-Question-Metric (GQM) Model to Transform Business Data into an Enterprise Asset. NJ: Technics Publications. 16. Taddy, M. (2019). Business Data Science: Combining Machine Learning and Economics to Optimize, Automate, and Accelerate Business Decisions (1st ed.). NY: McGraw-Hill Education. 17. VanderPlas, J. (2016). Python Data Science Handbook [Epub]. Retrieved from https://jakevdp.github.io/PythonDataScienceHandbook/ 18. Venables, W. N., Smithand, D. M., & the R Core Team. (2019). An Introduction to RNotes on R: A Programming Environment for Data Analysis and GraphicsVersion 3.6.2. Retrieved from https://cran.r-project.org/doc/manuals/r-release/R-intro.pdf 19. Wilke, C. O. (2019). Fundamentals of Data Visualization: A Primer on Making Informative and Compelling Figures (1st ed.). US: O'Reilly Media. 20. Wong, D. M. (2010). The Wall Street Journal Guide to Information Graphics: The Dos and Don'ts of Presenting Data, Facts, and Figures (1st Edition). NY: W. W. Norton & Company. 21. Matplotlib 3.1.1 documentation. (2019). Retrieved January 4, 2020, from https://matplotlib.org/3.1.1/contents.html 22. Power BI documentation - Power BI. (2019). Retrieved January 4, 2020, from https://docs.microsoft.com/en-us/power-bi/#pivot=home&panel=home-all 23. (Tableau) Knowledge Base. (2019). Retrieved January 4, 2020, from https://www.tableau.com/support/knowledgebase Форми та методи навчання: лекції, практичні заняття, самостійна роботаМетоди й критерії оцінювання: Рейтингове оцінювання за 100 бальною системою:
поточний контроль - 70 балів (робота на семінарських, модульні контрольні роботи, практичні завдання)
підсумковий контроль - 30 (залік)Мова навчання: українська
