Национальный исследовательский университет «Высшая школа экономики» Программа дисциплины «Системы бизнес-интеллекта»

Национальный исследовательский университет «Высшая школа экономики»
Программа дисциплины «Системы бизнес-интеллекта»
для направления 080500.68 «Бизнес-информатика» подготовки магистра
Правительство Российской Федерации
Федеральное государственное автономное образовательное учреждение
высшего профессионального образования
«Национальный исследовательский университет
«Высшая школа экономики»
Факультет бизнес-информатики
Программа дисциплины
«Системы бизнес-интеллекта»
для направления 080500.68 «Бизнес-информатика» подготовки магистра
для магистерской программы «Бизнес-информатика»
Авторы программы:
Кравченко Т.К., д.э.н., профессор, tkravchenko@hse.ru
Голов Н.И.
Огуречников Е.В.
Одобрена на заседании кафедры
бизнес-аналитики
Зав. кафедрой Кравченко Т.К. ________________________
«____»______________ 20__ г.
Рекомендована секцией УМС «Бизнес-информатика»
«____»______________ 20__ г.
Председатель Таратухина Ю.В. ________________________
Москва, 2012
Настоящая программа не может быть использована другими подразделениями университета
и другими вузами без разрешения кафедры – разработчика программы.
Национальный исследовательский университет «Высшая школа экономики»
Программа дисциплины «Системы бизнес-интеллекта»
для направления 080500.68 «Бизнес-информатика» подготовки магистра
1
Область применения и нормативные ссылки
Настоящая программа учебной дисциплины устанавливает минимальные требования к
знаниям и умениям студента и определяет содержание и виды учебных занятий и отчетности.
Программа предназначена для преподавателей, ведущих данную дисциплину, учебных
ассистентов и студентов направления 080500.68 «Бизнес-информатика» подготовки магистра,
обучающихся по магистерской программе «Бизнес-информатика».
Программа разработана в соответствии с:
 образовательным стандартом Федерального государственного автономного
образовательного
учреждения высшего профессионального образования
«Национальный исследовательский университет «Высшая школа экономики»,
уровень подготовки: магистр, утвержденным 26.06.2011;
 рабочим учебным планом университета по направлению 080500.68 «Бизнесинформатика» подготовки магистра для магистерской программы «Бизнесинформатика», специализация «Информационная бизнес-аналитика», утвержденным
в 2011 г.
2
Цели освоения дисциплины
Целями освоения дисциплины является формирование у студентов комплекса
теоретических знаний и методологических основ в области систем бизнес-интеллекта, а также
практических навыков, необходимых для внедрения и практического использования таких
систем.
3
Компетенции обучающегося, формируемые в результате освоения
дисциплины
В результате освоения дисциплины студент должен:
 знать характеристики рынка систем бизнес-интеллекта и перспективы развития
информационных систем управления, основные классы и принципы построения
информационных систем, применяемых для практических целей;
 уметь применять информационные системы бизнес-интеллекта для решения задач
управленческого учета, управленческой отчетности, финансово-экономического
анализа;
 иметь навыки (приобрести опыт) анализа тенденций развития мирового и
российского рынка информационных систем бизнес-интеллекта и лучших
практик их применения на предприятиях различных отраслей.
В результате освоения дисциплины студент приобретает следующие компетенции:
Компетенция
Способность принимать
управленческие решения,
оценивать их возможные
последствия и нести за них
ответственность
Способность выявлять и
прогнозировать основные
направления
Код по Дескрипторы – основные признаки
ФГОС/ освоения (показатели достижения
НИУ
результата)
СК-5
Демонстрирует
ПК-11
Владеет и применяет
Формы и методы обучения,
способствующие
формированию и развитию
компетенции
Лекции, практические
занятия, выполнение
домашних заданий
Лекции, практические
занятия, выполнение
домашних заданий
2
Национальный исследовательский университет «Высшая школа экономики»
Программа дисциплины «Системы бизнес-интеллекта»
для направления 080500.68 «Бизнес-информатика» подготовки магистра
Компетенция
использования
современных ИКТ для
управления
эффективностью бизнеса
Способность проводить
научные исследования и
готовить аналитические
материалы для оценки
мроприятий и выработки
стратегических решений в
сфере ИКТ
Способность
разрабатывать и применять
экономикоматематические модели
для обоснования
проектных решений в
сфере ИКТ
Способность организовать
самостоятельную и
коллективную научноисследовательскую работу
на предприятии и
управлять ею
4
Код по Дескрипторы – основные признаки
ФГОС/ освоения (показатели достижения
НИУ
результата)
Формы и методы обучения,
способствующие
формированию и развитию
компетенции
ПК-12
Владеет и применяет
Лекции, практические
занятия, выполнение
домашних заданий
ПК-14
Владеет и применяет
Лекции, практические
занятия, выполнение
домашних заданий
ПК-16
Демонстрирует
Лекции, практические
занятия, выполнение
домашних заданий
Место дисциплины в структуре образовательной программы
Для специализации «Информационная бизнес-аналитика» в рамках магистерской
программы «Бизнес-информатика» настоящая дисциплина является дисциплиной по выбору.
Изучение данной дисциплины базируется на следующих дисциплинах:
 «Проектирование информационных систем»;
 «Системный анализ и проектирование»;
 «Совершенствование архитектуры предприятия».
Для освоения учебной дисциплины, студенты должны знать концептуальные основы
архитектуры предприятия, основные классы информационных систем управления бизнесом,
лучшие практики и современные стандарты в сфере информационных технологий, владеть
методами проектирования информационных систем, уметь систематизировать и обобщать
информацию, разрабатывать конкретные предложения по результатам исследований, готовить
справочно-аналитические материалы для принятия управленческих решений в сфере
информационных технологий.
Основные положения дисциплины должны быть использованы в дальнейшем при
изучении следующих дисциплин:
 «Информационные системы целевого управления (BSC-системы)»;
 «Системы управления эффективностью бизнеса»;
 «Системы поддержки принятия решений».
3
Национальный исследовательский университет «Высшая школа экономики»
Программа дисциплины «Системы бизнес-интеллекта»
для направления 080500.68 «Бизнес-информатика» подготовки магистра
5
Тематический план учебной дисциплины
№
п/п
1.
2.
3.
Наименование
тем и разделов
ВСЕГО
(часов)
Хранилища данных для бизнесструктур
70
12
8
50
OLAP-системы и другие BIрешения
70
12
16
42
Системы интеллектуального
анализа данных
76
14
14
48
216
38
38
140
ИТОГО
6
Аудиторные занятия
(час)
в том числе
Лекции Семинары и
практич.
занятия
Самостоя
тельная
работа
Формы контроля знаний студентов
Тип
контроля
Текущий
(неделя)
Форма контроля
2
Контрольная
работа
Реферат
Домашнее
задание
Итоговый Зачет
(неделя)
1 год
3
10
Параметры
4
Письменная работа 60 минут, оценка
результатов – 1 неделя
9
10
12
Объем 20-25 стр., оценка результатов
– 2 недели
Пояснительная записка до 15 стр.,
оценка результатов – 2 недели
Устный зачет, 20 минут на студента
Критерии оценки знаний, навыков
Студент должен продемонстрировать знание разделов дисциплины и способность
представить результаты выполнения домашних заданий и качественный реферат на заданную
тему в соответствии с требуемыми компетенциями.
Оценки по всем формам текущего контроля выставляются по 10-ти балльной шкале.
6.1
4
Национальный исследовательский университет «Высшая школа экономики»
Программа дисциплины «Системы бизнес-интеллекта»
для направления 080500.68 «Бизнес-информатика» подготовки магистра
7
Содержание дисциплины
Тема 1. Хранилища данных для бизнес-структур
Цели появления хранилищ данных. Хранилища как ответ на потребность бизнесструктур в отчетности. Хранилища как ответ на потребность бизнес-структур в оперативной adhoc аналитике. Хранилища как инструмент монетизации исторических данных о развитии
бизнеса. Потенциальная предпосылка – хранилище как шина синхронизации.
Причины скачка потребности в хранилищах данных в XXI веке. Аппаратные и
программные предпосылки. Исторические предпосылки – накопление критического объема
данных. Повсеместное распространение проблемной ситуации «зоопарк систем».
Эволюция понимания термина «хранилище данных». Текущее представление об
обязательных компонентах хранилища. Старое представление хранилища и витрины данных.
Нормализация и денормализация. Риски обновления хранилища. Staging как решение. Итоговая
компоновка крупных промышленных хранилищ данных. Ключевые требования к хранилищу
данных.
Основные приемы проектирования физической модели хранилища данных. Третья
нормальная форма, баланс между нормализацией и денормализацией. SCD, медленно
меняющиеся измерения. Data Vault, новая идеология построения хранилищ.
Рынок хранилищ данных РФ, емкость рынка, лидеры и участники.
ETL – инструменты формирования хранилищ. MS SSIS. Informatica. ODI.
Основная литература
Информатика: в 2 ч.: Учебник / С.В.Назаров, С.Н.Белоусова, И.А.Бессонова и др. – М.:
Национальный Открытый Университет «ИНТУИТ»: БИНОМ. Лаборатория знаний, 2012. –
431 с. (Часть 1, Раздел 3).
Концепция Business Performance Management: начало пути /Е.Ю.Духонин, Д.В.Исаев,
Е.Л.Мостовой и др., под ред. Г.В.Генса. – М.: Альпина Бизнес Букс, 2004. – 269 с. (Глава 5).
Исаев Д.В., Кравченко Т.К. Информационные технологии управленческого учета.
Учебное пособие. – М.: 2012. – 297 с.
Туманов В.Е. Проектирование хранилищ данных для систем бизнес-аналитики Учебное
пособие М.: БИНОМ. Лаборатория знаний, Интернет-университет информационных
технологий – ИНТУИТ.ру, 2010
Дополнительная литература
Biao Fu, Henry Fu. SAP® BW: A Step-by-Step Guide. Издательство:
Professional, 2003 г.
Addison-Wesley
Catherine M. Roze. SAP BW Certification: A Business Information Warehouse Study Guide.
Издательство: Wiley, 2002 г.
Методы и модели анализа данных: OLAP и Data Mining. /А.А.Барсегян, М.С.Куприянов,
В.В.Степаненко, И.И.Холод. СПб.: БХВ-Петербург, 2004. 27-49 с.
Хранилища данных. От концепции до внедрения / С.Архипенков, Д.Голубев,
О.Максименко. М.: Диалог-МИФИ, 2002. 528 с.
Спирли Э. Корпоративные Хранилища данных. Изд. Вильямс. 2001 г.
5
Национальный исследовательский университет «Высшая школа экономики»
Программа дисциплины «Системы бизнес-интеллекта»
для направления 080500.68 «Бизнес-информатика» подготовки магистра
Тема 2. OLAP-системы и другие BI-решения
Виды приложений Oracle Hyperion Essbase. Block Storage и Aggregate Storage. MDX.
Построение кубов Oracle Hyperion Essbase из реляционной схемы «звезда» с помощью Oracle
Hyperion Analytic Integration Services. Анализ данных в Excel при помощи надстройки Essbase
Spreadsheet Add-In для Excel. Анализ данных в Oracle Hyperion Web-Analysis. Построение
отчетов в Oracle Hyperion Financial Reporting. Комплексный анализ данных в Oracle Hyperion
Interactive Reporting.
Основная литература
Информатика: в 2 ч.: Учебник / С.В.Назаров, С.Н.Белоусова, И.А.Бессонова и др. – М.:
Национальный Открытый Университет «ИНТУИТ»: БИНОМ. Лаборатория знаний, 2012. –
431 с. (Часть 1, Раздел 3).
Концепция Business Performance Management: начало пути /Е.Ю.Духонин, Д.В.Исаев,
Е.Л.Мостовой и др., под ред. Г.В.Генса. – М.: Альпина Бизнес Букс, 2004. – 269 с. (Глава 5).
Исаев Д.В., Кравченко Т.К. Информационные технологии управленческого учета.
Учебное пособие. – М.: 2012. – 297 с.
Дополнительная литература
Методы и модели анализа данных: OLAP и Data Mining. /А.А.Барсегян, М.С.Куприянов,
В.В.Степаненко, И.И.Холод. СПб.: БХВ-Петербург, 2004. 27-49 с.
Тема 3. Системы интеллектуального анализа данных
Интеллектуальный анализ данных – востребованность для решения бизнес задач,
предпосылки.
Бизнес-задачи, успешно нашедшие решение посредством интеллектуального анализа
данных, классификация задач:
Directed Data Mining, обучение с учителем: классификация, прогнозирование,
оценивание.
Undirected Data Mining, обучение без учителя: описание и визуализация, кластеризация,
поиск ассоциативных правил.
Методология
необходимости фаз.
Data
Mining
проектов:
CRISP-DM,
описание
фаз,
обоснование
Практические примеры Data Mining проектов: сроки, стоимость, методика оценки
успешности.
6
Национальный исследовательский университет «Высшая школа экономики»
Программа дисциплины «Системы бизнес-интеллекта»
для направления 080500.68 «Бизнес-информатика» подготовки магистра
Типы Data Mining алгоритмов: алгоритмы разделения классов, проблема переобучения,
прогнозирование трендов, подходы к кластеризации, поиск ассоциативных правил, анализ
корреляции, задача селекции признаков.
Data Mining инструменты: рынок Data Mining инструментов, рекомендации по
построению инфраструктуры Data Mining проектов и по выбору инструментов.
Data Mining алгоритмы, встроенные в SQL Server 2008 R2, преимущества, недостатки,
типовые примеры использования.
MS Excel 2010 и PowerPivot как мощный DataMining инструмент для решения реальных
бизнес-задач.
Профессиональные Data Mining инструменты: Matlab, Veca, SPSS и т.п.
Основная литература
Паклин Н.Б., Орешков В.И. Бизнес-аналитика: от данных к знаниям (+ СD). – СПб:
Питер, 2009. – 624 с.
Дюк В., Самойленко А. Data Mining: учебный курс (+CD). – СПб: Питер, 2001. – 368 с.
Дополнительная литература
Айвазян С.А., Бухштабер В.М., Енюков Е.С., Мешалкин Л.Д. Прикладная статистика.
Классификация и снижение размерности. – М.: Финансы и статистика, 1989. – 608 с.
Журавлёв Ю.И., Рязанов В.В., Сенько О.В. РАСПОЗНАВАНИЕ. Математические
методы.Программная система.Практические применения. – М.: Фазис, 2006. – 176 с.
Зиновьев А.Ю. Визуализация многомерных данных. – Красноярск: Изд. Красноярского
государственного технического университета, 2000. – 180 с.
Исаев Д.В., Кравченко Т.К. Информационные технологии управленческого учета.
Учебное пособие. – М.: 2012. – 297 с.
Чубукова И.А. Data Mining: учебное пособие. – М.: Интернет-университет
информационных технологий: БИНОМ: Лаборатория знаний, 2006. – 382 с.
8
Образовательные технологии
Образовательные технологии, используемые при реализации различных видов учебной
работы: доклады, обсуждения, решение задач, рассмотрение кейсов.
7
Национальный исследовательский университет «Высшая школа экономики»
Программа дисциплины «Системы бизнес-интеллекта»
для направления 080500.68 «Бизнес-информатика» подготовки магистра
9
9.1
Оценочные средства для текущего контроля и аттестации студента
Тематика домашних заданий
1. Архитектура (концепция построения) многомерного информационного
Хранилища.
2. Многомерная модель данных (детальное описание таблиц, расширенной схемы
«звезды», преимущества и т.д.).
3. Экстракция данных из исходных систем в Хранилище данных.
4. Поток данных в Хранилище: от исходной системы до инфопровайдера.
5. Создание и настройка экстракторов и использование бизнес-содержимого в BW.
6. Интеграция Хранилища данных с другими информационными системами:
сравнительный анализ интерфейсов и обзор возможностей.
7. Использование инфокубов, мультипровайдеров и ODS-объектов в Хранилище
данных.
8. Использование агрегатов и другие методы оптимизации работы Хранилища
данных..
9. Оптимизация работы и методы рационального проектирования Хранилища
данных.
10. Хранилища данных, их классификация по видам и типам. Примеры реальных
хранилищ данных.
11. Витрины данных(ВД), их роль в ХД. Примеры реальных ВД.
12. Компоненты ХД. Примеры реальных ХД.
13. Описание модели данных, используемой большинством ХД. Примеры схем
данных.
14. Процессы извлечения, трансформации и загрузки данных (ETL). Примеры ETLпроцессов.
15. Аналитический обзор архитектуры и компонентов Oracle Warehouse Builder (или
MS DTS).
16. Построение ETL-процессов в OWB (или MS DTS). Аналитический обзор
компонентов мэппингов.
17. Построение ETL-процессов в OWB (или MS-DTS).
18. Аналитический обзор основных операторов SQL. Примеры использования SQL
для анализа данных.
19. Аналитический обзор структуры MDX-запросов. Примеры использования MDX
для анализа данных.
20. Описание алгоритма взаимосвязей (Data Mining).
21. Описание aлгоритма кластеризации (Data Mining).
22. Описание aлгоритма дерева принятия решений (Data Mining).
23. Описание алгоритма линейной регрессии (Data Mining).
24. Описание алгоритм логистической регрессии (Data Mining).
25. Описание упрощенного алгоритма Байеса (Data Mining).
26. Описание принципов работы нейронной сети (Data Mining).
27. Описание алгоритма кластеризации последовательностей (Data Mining).
28. Интеллектуальный анализ данных в MS SQL Server 2008 Business Intelligence
Development Studio.
8
Национальный исследовательский университет «Высшая школа экономики»
Программа дисциплины «Системы бизнес-интеллекта»
для направления 080500.68 «Бизнес-информатика» подготовки магистра
9.2
Тематика рефератов
1. Описание модели данных, используемой большинством OLAP-систем.
Демонстрация модели данных реальной OLAP-системы.
2. Архитектура OLAP-систем. Описание задач OLAP. Примеры OLAP-систем.
3. Описание правил Кодда для OLAP-систем. Аналитический обзор систем,
удовлетворяющих этим правилам.
4. OLTP-системы и их применимость для оперативного анализа данных.
5. Многомерная модель данных Hyperion Essbase.
6. Аналитический обзор архитектуры и компонентов Oracle-Hyperion Essbase.
7. Аналитический обзор архитектуры и компонентов Oracle-Hyperion Analytic
Integration Services.
8. Описание процесса построения кубов Oracle-Hyperion Essbase из реляционной БД.
Примеры построения.
9. Соотношение Data Mining и OLAP. Демонстрация взаимодействия двух
технологий на примерах.
10. Анализ данных в Excel при помощи надстройки Essbase Spreadsheet Add-In.
11. Block Storage и Aggregate Storage.
12. Построение кубов Oracle Hyperion Essbase из реляционной схемы «звезда» с
помощью Oracle Hyperion Analytic Integration Services.
13. Аналитический обзор по ROLAP, MOLAP, HOLAP, DOLAP- системам.
14. Комплексный анализ данных в Oracle Hyperion Interactive Reporting.
15. Анализ данных в Oracle Hyperion Web-Analysis.
16. Oracle Warehouse Builder
17. Применение разновидностей многомерного хранения данных.
18. Oracle Hyperion Essbase.
19. Загрузка данных из OLTP БД в хранилище данных при помощи Oracle Warehouse
Builder.
20. Преобразование и очистка данных внутри хранилища.
21. Загрузка данных в кубы Essbase.
22. Виды приложений Oracle Hyperion Essbase.
23. Построение отчетов в Oracle Hyperion Financial Reporting.
9.3
Тематика контрольной работы
Аудиторная контрольная работа проводится по решению конкретной задачи с
применением методов интеллектуального анализа данных.
9
Национальный исследовательский университет «Высшая школа экономики»
Программа дисциплины «Системы бизнес-интеллекта»
для направления 080500.68 «Бизнес-информатика» подготовки магистра
9.4
Вопросы для оценки качества освоения дисциплины
1. Опишите преимущества многомерной модели данных и схемы «звезда»
Хранилища данных SAP BW.
2. Опишите процесс построения «инфокубов» SAP BW.
3. Опишите процесс построения логической схемы «звезда» SAP BW.
4. Опишите характеристики таблицы фактов, измерений и признаков, используемых
при построении «инфокуба».
5. Какую модель данных использует большинство OLAP-систем?
6. Чем обусловлена неприменимость OLTP-систем для оперативного анализа
данных?
7. Зачем нужны ODS объекты в SAP BW. В чем отличие ODS от инфокубов в SAP
BW.
8. Опишите роль бизнес-контента и технического контента SAP BW.
9. Что такое витрины данных? Какова их роль в ХД?
10. Что является инфоисточником и инфопровайдером в SAP BW.
11. Что входит в состав ХД (на примере SAP BW)?
12. Опишите роль агрегатов в SAP BW.
13. Что такое таблицы фактов и измерений? Поясните понятия «схема звезда» и
«схема снежинка».
14. Дайте определение ETL. Приведите пример ETL-процессов.
15. В чем специфика ETL процессов в SAP BW. Опишите поток данных в SAP BW от
OLTP системы до цели данных (например, инфокуба).
16. Опишите возможности по оптимизации работы Хранилища данных (SAP BW).
17. Дайте определение OLAP. Опишите задачи OLAP.
18. Перечислите правила Кодда для OLAP-систем.
19. Что такое тест FASMI?
20. Приведите пример архитектур OLAP-систем.
21. Что такое ROLAP, MOLAP, HOLAP, DOLAP?
22. Дайте определение Data Mining. Приведите классификацию задач Data Mining.
23. Каково соотношение Data Mining и OLAP?
24. Опишите архитектуру и компоненты Oracle Warehouse Builder.
25. Опишите построение ETL-процессов в OWB. Перечислите компоненты
мэппингов.
26. Опишите построение ETL-процессов в OWB. Перечислите компоненты Workflow.
27. Перечислите основные операторы SQL. Какова структура SELECT?
28. Опишите архитектуру Oracle Hyperion Essbase. Что такое приложения и БД
Essbase?
29. Какова структура MDX-запросов?
30. Опишите архитектуру Oracle Hyperion Analytic Integration Services.
31. Опишите процесс построения кубов Essbase из реляционной БД.
32. Опишите процесс построения логической схемы «звезда» в AIS.
33. Опишите процесс построения отображения «звезды» на куб в AIS.
34. Опишите схему работы алгоритма кластеризации и ассоциации на примере
исследования зависимости качества от характеристик продукции.
35. Опишите схему работы алгоритма кластеризации и ассоциации на примере
исследования оптимальных характеристик продукции по соотношению затрат,
качества и выручки.
36. Опишите схему работы искутсвенной нейронной сети на примере нейронной сети
Кохонена.
37. Что такое Перцептрон? Какие сущесвтвуют алгоритмы обучения нейронной сети.
10
Национальный исследовательский университет «Высшая школа экономики»
Программа дисциплины «Системы бизнес-интеллекта»
для направления 080500.68 «Бизнес-информатика» подготовки магистра
38. Архитектура OLAP-систем. Описание задач OLAP. Примеры OLAP-систем.
39. Описание правил Кодда для OLAP-систем. Аналитический обзор систем,
удовлетворяющих этим правилам.
40. Тест FASMI. Аналитический обзор систем, удовлетворяющих этому тесту.
10 Порядок формирования оценок по дисциплине
Формирование оценок по учебной дисциплине производится в соответствии с
Положением об организации контроля знаний, утвержденного Ученым советом НИУ ВШЭ от
24.06.2011, протокол №26.
В соответствии с Рабочим учебным планом, формами текущего контроля являются
контрольная работа, реферат и домашнее задание. Каждая из форм текущего контроля
оценивается по 10-балльной шкале. Общая оценка за текущий контроль (по 10-балльной шкале)
рассчитывается по формуле:
Отекущий = 0,2 · Ок/р + 0,4 · Ореф + 0,4 · Одз ,
где
Ок/р – оценка за контрольную работу;
Ореф – оценка за реферат;
Одз – оценка за домашнее задание.
При определении накопленной оценки (по 10-балльной шкале) аудиторная работа и
самостоятельная внеаудиторная работа не оцениваются. Поэтому накопленная оценка
совпадает с оценкой за текущий контроль и рассчитывается по формуле:
Онакопленная = 1,0 · Отекущий + 0,0 · Оауд + 0,0 · Осам.работа ,
где
Отекущий – оценка за текущий контроль;
Оауд – оценка за аудиторную работу;
Осам.работа – оценка за самостоятельную работу.
Результирующая оценка (выставляется в диплом) формируется на основе итоговой
оценки за зачет (по 10-балльной шкале) и накопленной оценки. Результирующая оценка
рассчитывается по формуле:
Орезульт = 0,3 · Озачет + 0,7 · Онакопленная ,
где
Озачет – оценка за итоговый контроль (зачет);
Онакопленная – накопленная оценка.
При формировании оценок на основе весовых коэффициентов применяется округление
до целого числа в большую сторону.
11
Национальный исследовательский университет «Высшая школа экономики»
Программа дисциплины «Системы бизнес-интеллекта»
для направления 080500.68 «Бизнес-информатика» подготовки магистра
11 Учебно-методическое и информационное обеспечение дисциплины
11.1 Базовый учебник
Информатика: в 2 ч.: Учебник / С.В.Назаров, С.Н.Белоусова, И.А.Бессонова и др. – М.:
Национальный Открытый Университет «ИНТУИТ»: БИНОМ. Лаборатория знаний, 2012. –
431 с.
11.2 Основная литература
Концепция Business Performance Management: начало пути /Е.Ю.Духонин, Д.В.Исаев,
Е.Л.Мостовой и др., под ред. Г.В.Генса. – М.: Альпина Бизнес Букс, 2004. – 269 с. (Глава 1).
Исаев Д.В., Кравченко Т.К. Информационные технологии управленческого учета.
Учебное пособие. – М.: 2012. – 297 с. (доступен в электронном виде на сайте кафедры бизнесаналитики).
Туманов В.Е. Проектирование хранилищ данных для систем бизнес-аналитики Учебное
пособие М.: БИНОМ. Лаборатория знаний, Интернет-университет информационных
технологий – ИНТУИТ.ру, 2010
Паклин Н.Б., Орешков В.И. Бизнес-аналитика: от данных к знаниям (+ СD). – СПб:
Питер, 2009. – 624 с.
Дюк В., Самойленко А. Data Mining: учебный курс (+CD). – СПб: Питер, 2001. – 368 с.
11.3 Дополнительная литература
Biao Fu, Henry Fu. SAP® BW: A Step-by-Step Guide. Издательство:
Professional, 2003 г.
Addison-Wesley
Catherine M. Roze. SAP BW Certification: A Business Information Warehouse Study Guide.
Издательство: Wiley, 2002 г.
Методы и модели анализа данных: OLAP и Data Mining. /А.А.Барсегян, М.С.Куприянов,
В.В.Степаненко, И.И.Холод. СПб.: БХВ-Петербург, 2004. 27-49 с.
Хранилища данных. От концепции до внедрения / С.Архипенков, Д.Голубев,
О.Максименко. М.: Диалог-МИФИ, 2002. 528 с.
Спирли Э. Корпоративные Хранилища данных. Изд. Вильямс. 2001 г.
Айвазян С.А., Бухштабер В.М., Енюков Е.С., Мешалкин Л.Д. Прикладная статистика.
Классификация и снижение размерности. – М.: Финансы и статистика, 1989. – 608 с.
Журавлёв Ю.И., Рязанов В.В., Сенько О.В. РАСПОЗНАВАНИЕ. Математические
методы.Программная система.Практические применения. – М.: Фазис, 2006. – 176 с.
Зиновьев А.Ю. Визуализация многомерных данных. – Красноярск: Изд. Красноярского
государственного технического университета, 2000. – 180 с.
Чубукова И.А. Data Mining: учебное пособие. – М.: Интернет-университет
информационных технологий: БИНОМ: Лаборатория знаний, 2006. – 382 с.
12
Национальный исследовательский университет «Высшая школа экономики»
Программа дисциплины «Системы бизнес-интеллекта»
для направления 080500.68 «Бизнес-информатика» подготовки магистра
12 Материально-техническое обеспечение дисциплины
Используются персональный компьютер (ноутбук) и проектор для проведения лекций и
практических занятий, техническое оснащение компьютерных классов
Авторы программы:
_____________________________________ Т.К.Кравченко
_____________________________________ Н.И.Голов
_____________________________________ Е.В.Огуречников
13