İŞLETME FAKÜLTESİ
Muhasebe ve Denetim Programı
BA 464 | Ders Tanıtım Bilgileri
Dersin Adı |
İş Analitiği ve Büyük Veriye Giriş
|
Kodu
|
Yarıyıl
|
Teori
(saat/hafta) |
Uygulama/Lab
(saat/hafta) |
Yerel Kredi
|
AKTS
|
BA 464
|
Güz/Bahar
|
2
|
2
|
3
|
6
|
Ön-Koşul(lar) |
Yok
|
|||||
Dersin Dili |
İngilizce
|
|||||
Dersin Türü |
Seçmeli
|
|||||
Dersin Düzeyi |
Lisans
|
|||||
Dersin Veriliş Şekli | - | |||||
Dersin Öğretim Yöntem ve Teknikleri | TartışmaProblem çözmeOlgu / Vaka çalışmasıSoru & CevapDeney / Laboratuvar / Atölye uygulama | |||||
Dersin Koordinatörü | ||||||
Öğretim Eleman(lar)ı | ||||||
Yardımcı(ları) |
Dersin Amacı | Günümüzü işletmeciliğindeki iki ana gelişme elele gitmektedir: operasyonların giderek daha fazla bilgisayarlı hale gelmesi, ve kararların giderek daha fazla verilere dayalı olması. Farklı tür ve büyüklüklerde de olsalar çoğu şirket için verilerin zamanında, kesin, ve karlı kararlar vermek için etkili şekilde kullanımı kritik bir stratejik avantaj unsuru haline gelmiştir. Bu yüzden modern işletme iş analitiğinden ayrılamaz. Bu dersin amacı işletme öğrencilerine iş verilerini iş kararlarını yönlendirecek içgörüye dönüştürmeleri için gerekli kavram, yöntem ve araçları öğretmektir. Bu amaçla derste temel veri analizi tekniklerinin -operasyonelden ziyade- işlevsel bir kavrayışına ve bunun temel yazılım araçları kullanarak farklı iş problemlerine uygulanışına bir başlangıç kazandırılmaktadır. Dersin temel ekseni bu tekniklerin iş kararları için içgörü sağlamadaki katkısıdır. Bu anlamda ders veri ve analiz konusunda bir farkındalık oluşturma, ve veri analizinin işte değer yaratmak konusunda sunduğu fırsatları belirleyebilme becerisi kazandırma hedefindedir. Bu ders aynı zamanda büyük veri diye adlandırılan veri setlerini ve onların analizine özgü gereksinim ve yaklaşımları da kapsamaktadır. |
Öğrenme Çıktıları |
Bu dersi başarıyla tamamlayabilen öğrenciler;
|
Ders Tanımı | Bu ders veri analizi için gerekli yöntem ve araçlara odaklanır. Yaygın bir istatistik platformunun (R) veri yönetimi gibi temel işler için kullanımını kapsar. Keşifsel veri görselleştirme ve özetleme yöntemlerinden başlayan ders temel öngörü yöntemlerinden (örn. Doğrusal modeller) daha karmaşık yöntemlere (veri madenciliği, karar ağacı veya birleşme kuralı analizi gibi) ilerler. Öğrenciler iş problemlerini analiz problemlerine dönüştürmeki ve bunların çözümünü aramak konusunda hem kuramsal bilgi hem de uygulamalı beceriler edinirler. Bu yöntemler bilinen problemler kadar yeni ve az bilinen problemlere de uygulanabilmesi amacıyla çevik problem çözme sistematiğine oturtularak uygulanırlar. |
|
Temel Ders | |
Uzmanlık/Alan Dersleri | ||
Destek Dersleri | ||
İletişim ve Yönetim Becerileri Dersleri | ||
Aktarılabilir Beceri Dersleri |
HAFTALIK KONULAR VE İLGİLİ ÖN HAZIRLIK ÇALIŞMALARI
Hafta | Konular | Ön Hazırlık |
1 | Giriş, kavramlar | Shmueli, G., Bruce, P. C., Yahav, I., Patel, N. R., & Lichtendahl Jr, K. C. (2017). Data mining for business analytics: concepts, techniques, and applications in R. John Wiley & Sons. Bölüm 1 |
2 | Analitik süreci, tahminleme | Shmueli, G., Bruce, P. C., Yahav, I., Patel, N. R., & Lichtendahl Jr, K. C. (2017). Data mining for business analytics: concepts, techniques, and applications in R. John Wiley & Sons. Bölüm 1 |
3 | Keşifsel analitik ve veri görselleştirme | Shmueli, G., Bruce, P. C., Yahav, I., Patel, N. R., & Lichtendahl Jr, K. C. (2017). Data mining for business analytics: concepts, techniques, and applications in R. John Wiley & Sons. Bölüm 3 |
4 | Doğrusal regresyon | Shmueli, G., Bruce, P. C., Yahav, I., Patel, N. R., & Lichtendahl Jr, K. C. (2017). Data mining for business analytics: concepts, techniques, and applications in R. John Wiley & Sons. Bölüm 4 |
5 | Model değerlendirme | Shmueli, G., Bruce, P. C., Yahav, I., Patel, N. R., & Lichtendahl Jr, K. C. (2017). Data mining for business analytics: concepts, techniques, and applications in R. John Wiley & Sons. Bölüm 2 |
6 | Bayes tasnifi | Shmueli, G., Bruce, P. C., Yahav, I., Patel, N. R., & Lichtendahl Jr, K. C. (2017). Data mining for business analytics: concepts, techniques, and applications in R. John Wiley & Sons. Bölüm 8 |
7 | Regresyon ağaçları ve tasnif modeli değerlendirme | Shmueli, G., Bruce, P. C., Yahav, I., Patel, N. R., & Lichtendahl Jr, K. C. (2017). Data mining for business analytics: concepts, techniques, and applications in R. John Wiley & Sons. Bölüm 9 |
8 | Lojistik regresyon ve profilleme | Shmueli, G., Bruce, P. C., Yahav, I., Patel, N. R., & Lichtendahl Jr, K. C. (2017). Data mining for business analytics: concepts, techniques, and applications in R. John Wiley & Sons. Bölüm 10 |
9 | Eşleşme kuralları | Shmueli, G., Bruce, P. C., Yahav, I., Patel, N. R., & Lichtendahl Jr, K. C. (2017). Data mining for business analytics: concepts, techniques, and applications in R. John Wiley & Sons. Bölüm 14 |
10 | Kümeleme analizi | Shmueli, G., Bruce, P. C., Yahav, I., Patel, N. R., & Lichtendahl Jr, K. C. (2017). Data mining for business analytics: concepts, techniques, and applications in R. John Wiley & Sons. Bölüm 15 |
11 | Zaman serileri | Shmueli, G., Bruce, P. C., Yahav, I., Patel, N. R., & Lichtendahl Jr, K. C. (2017). Data mining for business analytics: concepts, techniques, and applications in R. John Wiley & Sons. Bölüm 16 |
12 | Zaman serileri tahminleme | Shmueli, G., Bruce, P. C., Yahav, I., Patel, N. R., & Lichtendahl Jr, K. C. (2017). Data mining for business analytics: concepts, techniques, and applications in R. John Wiley & Sons. Bölüm 17&18 |
13 | Büyük veri teknikleri ve teknoloji yığını, örnek: veri özetleme | Shmueli, G., Bruce, P. C., Yahav, I., Patel, N. R., & Lichtendahl Jr, K. C. (2017). Data mining for business analytics: concepts, techniques, and applications in R. John Wiley & Sons. Bölüm 17 |
14 | İleri teknikler: metin analizi, sosyal ağ analizi | Shmueli, G., Bruce, P. C., Yahav, I., Patel, N. R., & Lichtendahl Jr, K. C. (2017). Data mining for business analytics: concepts, techniques, and applications in R. John Wiley & Sons. Bölüm 19&20 |
15 | Sınıf içi tartışma | |
16 | Dersin gözden geçirilmesi |
Ders Kitabı | Shmueli, G., Bruce, P. C., Yahav, I., Patel, N. R., & Lichtendahl Jr, K. C. (2017). Data mining for business analytics: concepts, techniques, and applications in R. John Wiley & Sons. ISBN: 978-1-118-87936-8
|
Önerilen Okumalar/Materyaller |
DEĞERLENDİRME ÖLÇÜTLERİ
Yarıyıl Aktiviteleri | Sayı | Katkı Payı % |
Katılım | ||
Laboratuvar / Uygulama | ||
Arazi Çalışması | ||
Küçük Sınav / Stüdyo Kritiği |
4
|
40
|
Portfolyo | ||
Ödev |
5
|
40
|
Sunum / Jüri Önünde Sunum | ||
Proje | ||
Seminer/Çalıştay | ||
Sözlü Sınav | ||
Ara Sınav |
1
|
20
|
Final Sınavı | ||
Toplam |
Yarıyıl İçi Çalışmalarının Başarı Notuna Katkısı |
10
|
100
|
Yarıyıl Sonu Çalışmalarının Başarı Notuna Katkısı | ||
Toplam |
AKTS / İŞ YÜKÜ TABLOSU
Yarıyıl Aktiviteleri | Sayı | Süre (Saat) | İş Yükü |
---|---|---|---|
Teorik Ders Saati (Sınav haftası dahildir: 16 x teorik ders saati) |
16
|
2
|
32
|
Laboratuvar / Uygulama Ders Saati (Sınav haftası dahildir. 16 x uygulama/lab ders saati) |
16
|
2
|
32
|
Sınıf Dışı Ders Çalışması |
13
|
2
|
26
|
Arazi Çalışması |
0
|
||
Küçük Sınav / Stüdyo Kritiği |
4
|
4
|
16
|
Portfolyo |
0
|
||
Ödev |
5
|
10
|
50
|
Sunum / Jüri Önünde Sunum |
0
|
||
Proje |
0
|
||
Seminer/Çalıştay |
0
|
||
Sözlü Sınav |
0
|
||
Ara Sınavlar |
1
|
24
|
24
|
Final Sınavı |
0
|
||
Toplam |
180
|
DERSİN ÖĞRENME ÇIKTILARININ PROGRAM YETERLİLİKLERİ İLE İLİŞKİSİ
#
|
Program Yeterlilikleri / Çıktıları |
* Katkı Düzeyi
|
||||
1
|
2
|
3
|
4
|
5
|
||
1 | Alanında teorik ve pratik bilgi ve beceriler kazanır. |
|||||
2 | Sorunlara analitik ve bütünsel bir bakış açısıyla yaklaşır. |
X | ||||
3 | Küresel ve yerel muhasebe ve denetim standartları hakkında bilgi sahibidir. |
|||||
4 | Muhasebe ve denetim problemlerine ilişkin bulgu ve çözümleri yazılı ve sözlü formatta aktarır. |
|||||
5 | Muhasebe ve diğer yönetim bilgi sistemleri ile kuruluşların performansını eleştirel olarak değerlendirir. |
|||||
6 | İş hayatında karşılaşılan gerçek durumlar için yenilikçi ve yaratıcı bir yaklaşım kullanır. |
|||||
7 | Muhasebe ve denetimin temel alanlarında edinilen bilgileri stratejik bir bakış açısıyla bir araya getirir. |
|||||
8 | Alanıyla ilgili çalışmalarda bilimsel ve etik değerlere uygun hareket eder. |
X | ||||
9 | Hem liderlik hem de takım çalışması becerilerini etkin ve verimli bir takım üyesi olarak gösterir. |
|||||
10 | İş kararlarını verirken ve değerlendirirken etik bir bakış açısına ve sosyal duyarlılığa sahip olur. |
X | ||||
11 | Bir yabancı dili kullanarak işletmecilik alanı ilgili bilgi toplar ve meslektaşları ile iletişim kurar ("European Language Portfolio Global Scale", Level B1). |
|||||
12 | İkinci yabancı dili orta düzeyde kullanır. |
|||||
13 | İnsanlık tarihi boyunca oluşan bilgi birikimini uzmanlık alanıyla ilişkilendirebilir. |
*1 Lowest, 2 Low, 3 Average, 4 High, 5 Highest
HABER |TÜM HABERLER
ACCA, Üniversite Öğrencileriyle Biraraya Geldi
Küresel finans ve muhasebe meslek kuruluşu ACCA üniversite buluşmaları kapsamında Bahçeşehir Üniversitesi İktisadi ve İdari Bilimler Fakültesi, Galatasaray Üniversitesi İşletme Bölümü ve
İzmir Ekonomi’den ‘4 Büyüklere’
İzmir Ekonomi Üniversitesi (İEÜ) İşletme Fakültesi’nden mezun olan 4 genç, kısa zamanda başarı basamaklarını hızla çıkarak finansal denetim alanında dünyanın en büyük
İEÜ ve PwC’den örnek iş birliği
Yapılan anlaşmayla birlikte PwC firması, İEÜ Muhasebe ve Denetim Programı öğrencilerine öncelikli staj ve iş olanağı sağlayacak.
ACCA Türkiye’nin İzmir Ekonomi Ziyareti
ACCA Türkiye Başkanı Filiz Demiröz ile kendisi de bir İzmir Ekonomi Üniversitesi mezunu olan ve ACCA’da Müşteri İlişkileri Temsilcisi olarak görev alan
İzmir Ekonomililere Hugo Boss Genel Müdürü’nden Tüyolar
Hugo Boss Genel Müdür Yardımcısı Arif Kaya ve Yetenek Yönetimi Uzmanı Ceren Serin 13 Nisan Perşembe günü Finansal Tablolar Analizi dersinde İzmir