Business analytics - BMEGT20ML81

The aim of the course is to enable students to identify the business problems in which data analysis or data science methods can be applied and, by prototyping them, to support and communicate their business advantage. The course introduces students to the theoretical and practical foundations of data analysis methods to inform economic decisions. The subject provides quantitative knowledge for the analysis and prediction of the studied phenomena. In addition to the transfer of the necessary theoretical knowledge, the subject focuses primarily on the solution of practical tasks, issues of practical application, and the development of a data analytical way of thinking and approach.

1. Know the most important tasks of business data analysis, the areas of expertise and the tools that can be used in them.
2. Know the technical details of the steps required for the main tasks of data analysis (data collection, data preparation, modeling, evaluation, application).
3. Know the most important theoretical models and algorithms of data science, the basic paradigms of supervised and unsupervised machine learning.
4. Know the basic tools and methods of data visualization.
5. Are aware of the basic operation of data-driven decision support tools.
6. Know the most important business applications of data science, data analysis and data visualization, with particular regard to the field of business intelligence.
7. Know the learning, knowledge acquisition and data collection methods of the fields of data analysis, their ethical limitations and problem-solving techniques.

1. Are able to identify a business problem to which data science or machine learning solutions can be applied.
2. Are able to prototype these possible solutions, visualize their results, and make a decision about the possibilities of further analysis based on the identified business value.
3. Using the learned theories and methods, explore, systematize and analyze facts and basic connections, formulates independent conclusions and critical remarks, make decision-making proposals, and decisions in routine and partly unknown - domestic and international - environments.
4. Are able to determine the complex consequences of economic processes and organizational events on a data basis.
5. Can apply techniques for solving data analysis problems, given their application conditions and limitations.

1. Are able to work with experts required at each stage of the data analysis workflow.
2. Are able to expand his / her knowledge of data analysis with continuous knowledge acquisition.
3. Are open to the use of information technology tools.
4. Are roblem-sensitive and have proactive behavior in all phases of data analysis.
5. Strive for an accurate and error-free solution.

1. Are ready for independent work (selection of methodology, technique; organization, planning, manage-ment of work; data collection, systematization, analysis, evaluation; general and professional development).
2. Use a systems approach in your thinking.
3. Take responsibility for their analyzes, conclusions and decisions.
4. As a member of projects, group work, organizational units, perform the tasks assigned them independently and responsibly.

Lectures, calculations, oral and written communication, application of IT tools and techniques, optional exercises individually and in teams.

• Carlo Vercellis: Business Intelligence : Data Mining and Optimization for Decision Making, 2009 John Wiley & Sons
• Olivia Parr Rud: Data Mining Cookbook: Modeling Data for Marketing, Risk and Customer Relationship Ma-nagement, Wiley
• Gábor Békés, Gábor Kézdi: Data Analysis: Patterns, Prediction and Causality, Cambridge University Press
• Fogarassyné Vathy Ágnes, Starkné Werner Ágnes: Intelligens adatelemzés. ( 2011). Typotex Kiadó
• Dr. Kovács László: Adatelemzési technikák és eszközök (2011) Nemzeti Tankönyvkiadó
• Christoph Molnar (2019) Interpretable Machine Learning. Leanpub
• Thomas Dinsmore (2016) Disruptive Analytics: Charting Your Strategy for Next-Generation Business Analytics
• Matthew North (2019) Data Mining for the Masses, Third Edition: With Implementations in RapidMiner and R
• Vijay Kotu (2018) Data Science: Concepts and Practice
• Cole Nussbaumer Knaflic (2015) Storytelling with data
• Edward Tufte (2007) The visual Dispaly of Quantitative Information
• Scott Berinato (2016) Good Charts

A 2.2. pontban megfogalmazott tanulási eredmények értékelése vizsgával, vagy fakultatív szorgalmi időszak során elvégzett teljesítmény-értékelés formájában történik.

A. Szorgalmi időszakban végzett fakultatív teljesítményértékelés két részből áll, amely alapján a vizsgajegy megajánlásra kerül, de ez a vizsgára bocsátásnak nem feltétele: 1. Összegző egyéni feladat: A félév során a tananyag elsajátítását egyéni dolgozattal ellenőrizzük. Ez egy önállóan kidolgozandó, elméleti ismereteket ellenőrző tesztből és rövid feladatmegoldásokból álló anyag. Ennek a kritériumnak legalább 40%-át el kell érni a vizsga megajánláshoz. 2. Projektfeladat: Az önálló feladat mellett a gyakorlati ismeretek elsajátításának ellenőrzésére olyan projektfeladat szolgál amely az összes érintett téma felhasználását igényli. A hallgatók kis csoportban egy kiválasztott adathalmazon végeznek önálló elemző munkát a probléma azonosításától a prototipizált üzleti érték vizualizálásig bezárólag lefedve a tananyagot. A projektfeladat dokumentációjának része az adat, a végzett műveletek, a kapott eredmények, következtetések és vizualizációk (pl. dashboard amely ezt mutatja be). A félév végi értékelés ennek a dokumentációnak a bemutatása. B. A vizsgaidőszakban: a tantárgy félévközi érdemjeggyel zárul

• 1. összegző tanulmányi teljesítményértékelés : 50%
• 2. Félév végi értékelés (projektfeladat): 50%
• összesen: 100%

A félév közi teljesítményértékelések javítására/pótlására a TVSZ rendelkezései szerint van lehetőség.

A 2.2. pontban megfogalmazott tanulási eredmények eléréséhez a tantárgy a következő tematikai blokkokból áll. Az egyes félévekben meghirdetett kurzusok sillabuszaiban e témaelemeket ütemezzük a naptári és egyéb adottságok szerint.