| Kods | BS0119 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Nosaukums | Informācijas nodrošināšana | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Statuss | Brīvās izvēles | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Līmenis un tips | Augstākā līmeņa, Profesionālais | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Tematiskā joma | Vadība un administrēšana | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Struktūrvienība | Rīgas Biznesa skola | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Mācībspēks | Aldis Ērglis | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Kredītpunkti | 6.0 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Daļas | 1 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Anotācija |
Pašreizējā uzņēmējdarbības vide prasa, lai vadītāji izprastu daudzus datu izmantošanas aspektus un piemērus uzņēmējdarbībā, kā arī veidotu uz datiem balstītu uzņēmuma kultūru. Tas vairs neaprobežojas tikai ar datu izmantošanu vai analītiskajiem secinājumiem; tas ietver arī uz datiem balstītu procesu pārvaldību, piemēram, datu stratēģiju, datu pārvaldību un citus aspektus. . Studiju kurss ir 12 nedēļu programma (12 nodarbības), kas paredzēta vadītājiem un zināšanu darbiniekiem visos līmeņos. Tajā tiek aplūkotas mūsdienu biznesa vides biznesa analītikas (BI) koncepcijas, pieejas un tehnoloģijas, kā arī to pielietojums datu vadītai lēmumu pieņemšanai jebkurā vadības līmenī. . Studiju kursā tiek apvienots teorētiskais saturs ar praktisko pieredzi, izmantojot vienu no populārākajiem pašapkalpošanās BI rīkiem – Microsoft Power BI – ad hoc analīzei un datu sagatavošanai, kā arī Copilot un Microsoft Fabric mākslīgā intelekta iespējas. Katrā nodarbībā ir iekļauts praktisks darbs ar Microsoft Power BI Desktop un citiem rīkiem. . Citi unikāli studiju kursa aspekti ietver: . - uzmanības pievēršanu tam, kā organizācijas attīsta spējas, izmantojot BI; . - labākās prakses apmaiņu - gan globālā mērogā, gan no Latvijas - BI jomā; . - praktisko prasmju attīstīšanu Microsoft Power BI lietošanā; . - mākslīgā intelekta ietekmi uz BI prasmju pilnveidošanu un BI spēju attīstīšanu. . |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju kursa saturs |
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Mērķis un uzdevumi, izteikti kompetencēs un prasmēs |
Studiju kursa mērķis ir nodrošināt studentiem praktiskas zināšanas par mūsdienu biznesa analītikas jēdzieniem, procesiem un tehnoloģijām līmenī, kas atbilst mūsdienu uzņēmuma vadītāja prasībām, kā arī praktiskas iemaņas darbā ar Microsoft Power BI un mākslīgā intelekta papildināto analītiku, lai pieņemtu uz datiem balstītus lēmumus. Studiju kursa uzdevumi: - attīstīt izpratni par BI un AI stratēģisko lomu mūsdienu organizācijā un to ietekmi uz lēmumu pieņemšanu, balstoties uz datiem; - attīstīt praktiskās prasmes darbā ar Microsoft Power BI: datu savienošana un sagatavošana, datu modeļu un semantisko slāņu veidošana, aprēķināto rādītāju un KPI izveide ar DAX, kā arī atskaites un informācijas paneļu izstrāde lēmumu pieņemšanai; - attīstīt kompetences AI pielietošanā visā BI darba plūsmā – ģeneratīvā BI (Copilot programmā „Power BI”), sarunu un aģentu analītika, AI atbalstīta datu sagatavošana un „Auto ML” programmā „Microsoft Fabric”; - attīstīt spēju kritiski izvērtēt AI ģenerētos secinājumus un piemērot pārvaldības un uzticamības sistēmas (sertificēti datu kopumi, izcelsme, jutīguma marķējumi, drošība rindu līmenī); - attīstīt spēju izstrādāt pilnīgu BI risinājumu no neapstrādātiem datiem līdz vadībai gatavam pārskatam un to prezentēt uzņēmuma auditorijai; - attīstīt spēju novērtēt un plānot BI un AI iespējas studenta paša organizācijā. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Sasniedzamie studiju rezultāti un to vērtēšana |
Spēj izprast BI un AI stratēģisko lomu mūsdienu organizācijā un to ietekmi uz datu vadītu lēmumu pieņemšanu. - Vērtēšanas metodes: grupu darbs un līdzdalība nodarbībās, mājasdarbi, noslēguma kursa darbs.
Vērtēšanas kritēriji: students pareizi novērtē organizācijas atrašanās vietu analītikas attīstības skalā (Davenport 1,0–5,0), nosaka vismaz trīs stratēģiskos faktorus, kuros BI un AI rada uzņēmējdarbības vērtību, un pamato BI un AI ietekmi uz konkrētu lēmumu pieņemšanas procesu. Spēj piemērot datu vizualizācijas principus uzņēmējdarbības lēmumu pieņemšanā un kritiski izvērtēt mākslīgā intelekta (Copilot) radītos vizuālos materiālus un aprakstus. - Vērtēšanas metodes: mājasdarbi (datu vizualizācijas analīze), grupu darbs un līdzdalība nodarbībās, kursa vidusposma darbs. Vērtēšanas kritēriji: students izvēlas uzņēmējdarbības jautājumam atbilstošus diagrammu veidus, piemēro vizuālās kodēšanas un pieejamības principus, kā arī identificē un izlabo vismaz trīs būtiskas kļūdas mākslīgā intelekta (Copilot) ģenerētā ziņojuma lapā, katru labojumu pamatojot. Spēj izveidot savienojumu ar datiem no dažādiem avotiem (faili, datu bāzes, tīmeklis, daļēji strukturēti dokumenti), tos attīrīt, sagatavot un modelēt, izmantojot „Power Query“, zvaigžņveida shēmu un semantiskos slāņus, kas kalpo gan cilvēku lietotājiem, gan mākslīgā intelekta aģentiem. - Vērtēšanas metodes: mājasdarbi, kursa vidusposma darbs (pilnīgs BI risinājums). Vērtēšanas kritēriji: students izveido funkcionējošu „Power Query“ datu apstrādes plūsmu, kas apvieno vismaz divus dažādus datu avotu veidus un pārveido datus pareizā zvaigžņveida shēmā ar dokumentētām tabulām un saistībām; izveidotais semantiskais modelis sniedz pareizas atbildes uz testa jautājumiem, ko uzdod gan cilvēki, gan mākslīgais intelekts (Q&A, Copilot). Spēj izveidot aprēķinātus rādītājus un KPI, izmantojot DAX, tostarp ar Copilot palīdzību veicot mākslīgā intelekta ģenerētu rādītāju izstrādi un validāciju. - Vērtēšanas metodes: praktiskie uzdevumi (KPI analīze), mājasdarbi, grupu darbs un līdzdalība nodarbībās. Vērtēšanas kritēriji: students izveido sintaktiski un semantiski pareizus DAX rādītājus, tostarp laika analīzes modeļus, kas, piemērojot tos kontroldatiem, atgriež pareizas vērtības; students pārbauda Copilot ģenerētos rādītājus, salīdzinot tos ar biznesa definīcijām, kā arī atrod un izlabo vismaz vienu kļūdu AI ģenerētā rādītājā. Spēj izmantot Power BI un Microsoft Fabric mākslīgā intelekta un uzlabotās analītikas iespējas (AI vizualizācijas, Auto ML, procesu izpēte, sarunu un aģentu analītika). - Vērtēšanas metodes: mājasdarbi (rekomendāciju sistēmas, naudas plūsmas analīze), grupu darbs un līdzdalība nodarbībās, noslēguma projekts. Vērtēšanas kritēriji: students pareizi piemēro vismaz divas Power BI vai Microsoft Fabric mākslīgā intelekta (AI) vai uzlabotās analītikas funkcijas (piemēram, „Key Influencers”, „Auto ML”, procesu ieguve, sarunu analītika) uzņēmējdarbības datu kopai, pareizi interpretē rezultātus un izskaidro katras funkcijas ierobežojumus un atbilstošo lietošanu. Spēj izstrādāt pilnīgu BI risinājumu - sākot no neapstrādātiem datiem līdz vadībai gatavam pārskatam - un to prezentēt uzņēmuma pārstāvjiem. - Vērtēšanas metodes: kursu vidusposma darbs un noslēguma projekts ar grupu prezentācijām. Vērtēšanas kritēriji: ieviestais risinājums darbojas no sākuma līdz galam - sākot no neapstrādātiem datiem līdz vadībai gatavam ziņojumam -, un tam pamatā esošā analītika ir pareiza; mākslīgā intelekta funkcijas tiek izmantotas apzināti un par to tiek sniegts pārskats (kur mākslīgais intelekts palīdzēja un kur tas neizdevās); grupas prezentācijā noteiktajā laikā uzņēmējdarbības auditorijai tiek skaidri izklāstīti secinājumi. Spēj piemērot pārvaldības un uzticamības sistēmas (sertificēti datu kopumi, datu izcelsme, konfidencialitātes marķējumi, drošība rindu līmenī, informācijas atklāšana par mākslīgo intelektu) biznesa analītikai un mākslīgā intelekta ģenerētajai analītikai. - Vērtēšanas metodes: praktiskie piemēri (finanšu un budžeta analīze), noslēguma kursa darbs. Vērtēšanas kritēriji: students semantiskajā modelī konfigurē datu kopu sertifikāciju, jutīguma marķējumus un drošības pasākumus rindu līmenī, izskaidro datu izcelsmi no avota līdz mākslīgā intelekta ģenerētajai atbildei, kā arī galīgajā risinājumā iekļauj atbilstošu norādi par to, ka saturs ir ģenerēts ar mākslīgā intelekta palīdzību. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju rezultātu vērtēšanas kritēriji |
Mājasdarbi (pēc katras nodarbības) - 30%
Praktiskie piemēri (KPI analīze, finanšu un budžeta analīze) - 10% Grupu darbs un līdzdalība nodarbībās (tostarp grupu uzdevumi un prezentācijas) - 40% Kursu vidusposma darbs – pilnīgs BI risinājums (ar grupas prezentāciju) - 10% Nobeiguma projekts – ar mākslīgo intelektu papildināts biznesa analītikas risinājums (ar grupas prezentāciju) - 10% |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Priekšzināšanas | Nav oficiālu priekšnosacījumu. Noderīgas ir pamata zināšanas par programmu „Excel“ un uzņēmuma datiem. Praktiskajam darbam ir nepieciešams dators ar operētājsistēmu „Windows“, kurā ir instalēta programma „Microsoft Power BI Desktop“. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju kursa plānojums |
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||