November - 2017
H K S C P S V
  01 02 03 04 05
06 07 08 09 10 11 12
13 14 15 16 17 18 19
20 21 23 24 25 26
27 28 29 30  

Tantárgy adatlap

Üzleti intelligencia

Tantárgy adatlap letöltése: Letöltés

A tantárgy kódja: 2IR32NDK02M
A tantárgy megnevezése (magyarul): Üzleti intelligencia
A tantárgy neve (angolul): Business Intelligence
A tanóra száma (Előadás + szeminárium + gyakorlat + egyéb): 0+4
Kreditérték: 4
A tantárgy meghirdetésének gyakorisága: őszi szemeszterben
Az oktatás nyelve: magyar
Előtanulmányi kötelezettségek: nincs
A tantárgy típusa: kötelező
Tantárgyfelelős tanszék: Információrendszerek Tanszék
A tantárgyfelelős neve: Kő Andrea

A tantárgy szakmai tartalma: A tantárgy célja, hogy áttekintést nyújtson az üzleti intelligencia területhez kapcsolódó legfontosabb fogalmakról, megközelítésekről, az elméleti alapokról és kihívásokról, a gyakorlati alkalmazhatóság szempontjainak előtérbe helyezésével. Az üzleti intelligencia magában foglalja mindazon fogalmakat és módszereket, amelyek célja, hogy feljavítsák a tényalapú rendszerek fölött működő üzleti döntéshozatalt. Ennek megfelelően a tárgy keretében kitérünk a döntéstámogató rendszerek sajátosságaira, az adattárházakkal és az adatpiacokkal kapcsolatos tudnivalókra, az adatminőséghez kötődő kérdésekre. Részletezzük az üzleti és web analitika terület kihívásait, a szövegbányászat sajátosságait, az adattárházakra épülő üzleti intelligencia megoldások jellemzőit, alkalmazásuk korlátait, feltételeit. Foglalkozunk az üzleti teljesítmény-menedzsment területtel, és az üzleti intelligencia megoldások következő generációjának tulajdonságaival. Az oktatás gyakorlat központú, az előadásokon tárgyalt területekhez illeszkedő legújabb gyakorlati alkalmazások használatára, bemutatására nagy hangsúlyt fektetek.

Évközi tanulmányi követelmények: A kurzust gyakorlati jegy zárja. A kurzus során megszerezhető pontok 60%-a a gyakorlatokon kiadott feladatokkal, míg további 40% elméleti ZH megírásával szerezhető meg. Az előadásokon lehetőség van 10%-ban plusz pont szerzésére előzetesen kiadott szorgalmi feladat megoldásával, vagy előzetesen egyeztetett téma feldolgozásával és prezentálásával. zárja. A kurzus során megszerezhető pontok 60%-a a gyakorlatokon kiadott feladatokkal, míg további 40% elméleti ZH megírásával szerezhető meg. Az előadásokon lehetőség van 10%-ban plusz pont szerzésére előzetesen kiadott szorgalmi feladat megoldásával, vagy előzetesen egyeztetett téma feldolgozásával és prezentálásával.

Vizsgakövetelmény: gyakorlati jegy

Az értékelés módszere: A kurzust gyakorlati jegy zárja. A kurzus során megszerezhető pontok 60%-a a gyakorlatokon kiadott feladatokkal, míg további 40% elméleti ZH megírásával szerezhető meg. Az előadásokon lehetőség van 10%-ban plusz pont szerzésére előzetesen kiadott szorgalmi feladat megoldásával, vagy előzetesen egyeztetett téma feldolgozásával és prezentálásával. A kurzust záró elméleti beszámolón/vizsgán 50% elérése szükséges az elégtelentől különböző jegy megszerzéséhez. (Aki az utolsó heti beszámolón nem érte el 20 pontot az nem kap jegyet).


Értékelés

elméleti beszámoló: 40
gyakorlat feladatai: 60.

A gyakorlatokon való részvétel és folyamatos munka a tárgy teljesítésének feltétele.
Hiányozni a szemináriumok 25%-ról lehet. A szemináriumi feladatok más módon nem teljesíthetőek (TVSZ 21§ / 5 pont). Ez jelen kurzus esetében 3 hiányzást jelent.
Nagyobb mértékű hiányzás esetében a hallgató elégtelen osztályzatot szerez, melyet javító vizsgával módosíthat. A javító vizsgán a tanszék biztosítja, hogy a közepes szint a javító vizsgán elérhető legyen, azaz az elérhető legjobb eredmény a közepes (70% értékben).
Az ilyen módon letett javító vizsga esetében az esetleges gyakorlati pontszámok nem adódnak már hozzá, az érdemjegy megszerzése a vizsgaeredmény alapján történik.
A félév során a gyakorlatokon egyéni és csoportos feladatmegoldás is történik, mely során az elérhető pontszám 60%-a szerezhető meg. A csoportos feladatmegoldásra csoportos pontszám kerül meghatározásra.

Értékelés (%-ban)

Elégtelen: 0 - 47
Elégséges: 48 - 60
Közepes: 61 - 73
Jó: 74 - 86
Jeles: 87 - 100

Tananyag leírása: Áttekintés az üzleti intelligencia területéről
Az adatgyűjtés kihívásai, adatminőség
Adattárházak (adatpiacok) jellegzetességei, kialakításuk folyamata
Üzleti analitika/ OLAP áttekintés/ döntéstámogató rendszerek
Big data architektúra – adatmenedzsment
Adat, web és szövegbányászat
PowerBI áttekintés/tréning
Üzleti teljesítménymenedzsment megoldások (Business Performance Management)
BI trendek/hallgatói projekt bemutatók

Órarendi beosztás: A félév során tárgyalt területek:
- Üzleti intelliegencia áttekintés
- Üzleti analitika
- DSS/OLAP
- BPM (Business Performance Management)
- Prediktív analitika
- Gépi tanulás
- Adat, web és szövegbányászat
- Idősorelemzés
- BI trendek

Kompetencia leírása: A hallgatók a tárgy elvégzése után képesek lesznek az üzleti intelligencia megoldások kialakításához szükséges tervezési, felhasználási és implementációs feladatok végrehajtására.

Félévközi ellenőrzések: A gyakorlaton kiadott feladatok:
- Üzleti analitika feladat
- Adatbányászat feladat
- Web és szövegbányászat feladat.

A hallgató egyéni munkával megoldandó feladatai: A gyakorlaton kiadott feladatok.

Szak neve: Gazdaságinformatika

Irodalomjegyzék:
Kötelező irodalom:

  • Az előadásokon kiadott irodalom
  • Fajszi Bulcsú – Cser László - Fehér Tamás: Üzleti haszon az adatok mélyén, Alinea Kiadó, 2010
  • Kő Andrea: Üzleti intelligencia; in: Döntéstámogató rendszerek 4. fejezet, szerk.: Sántáné-Tóth Edit, Panem Kiadó, 2008

Ajánlott irodalom:

  • Sharda, R., Delen, D., Turban, D.[2014]: Business Intelligence and Analytics: Systems for Decision Support, 10/E, Prentice Hall
  • Inmon, W. H.[2002]: Building the Data Warehouse, New York: Wiley, Third ed. 2002
  • Kimball, R .[2000]: Rating Your Dimensional Data Warehouse http://www.kimballgroup.com/2000/04/rating-your-dimensional-data-warehouse/
  • Bodon Ferenc, Dr. – Búza Krisztián [2013]: Adatbányászat; jegyzet http://www.cs.bme.hu/nagyadat/bodon.pdf
  • Brown, Martin [2012]: Data Mining Techniques; IBM – Developer Works, 11 December, 2012 http://www.ibm.com/developerworks/opensource/library/ba-data-miningtechniques/ba-data-mining-techniques-pdf.pdf
  • Gupta, Gaurav – Aggarwal, Himanshu [2012]: Improving Customer Relationship Management Using Data Mining; International Journal of Machine Learning and Computing, Vol 2., No. 6. December 2012 http://www.ijmlc.org/papers/256-L40070.pdf
  • Han, Jiawei – Kamber, Micheline [2004]: Adatbányászat: koncepciók és technikák; Panem Kiadó, Budapest
  • Kumar, Dharminder – Bhardwaj, Deepak [2011]: Rise of Data Mining: Current and Future Application Areas; IJCSI International Journal of Computer Science Issues, Vol. 8, Issue 5, No 1, September 2011 http://www.academia.edu/1280862/Rise_of_Data_Mining_Current_and_Future_Application_Areas
  • Prekopcsák Zoltán [2010a]: Mennyire pontos a prediktív modellem?; http://adatbanyaszat.blog.hu/2010/08/17/mennyire_pontos_a_prediktiv_modellem
  • Wielenga, Doug [2007]: Identifying and Overcoming Common Data Mining Mistakes; SAS Global Forum 2007 Data Mining and Predictive Modeling http://www2.sas.com/proceedings/forum2007/073-2007.pdf
Ajánlott irodalmak:
Kötelező irodalmak:

 
A tantárgy oktatói:

Kő Andrea

Utolsó módosítás: 2017-09-04 16:04:42

Kurzusok

Kurzus kódTipusFélévOktatói
EElmélet2017/18/1Kő Andrea
GGyakorlat2017/18/1Kő Andrea


A "Tantárgyfelelős tanszék", a tantárgyfelelős neve a tantárgy oktatói és a kurzusinformációk automatikusan frissülnek a tanulmányi rendszerünk alapján.