MAS in Business Intelligence

Weiterbildung als Privatunterricht

Zielgruppe: Der Master of Advanced Studies in Business Intelligence (MAS BI) richtet sich an berufstätige Personen, die sich praktische Fähigkeiten in der modernen Daten- und Betriebsanalyse aneignen möchten. Voraussetzung ist Freude am analytischen Denken und ein Flair im Umgang mit Daten (z.B. Arbeiten mit Excel, SQL etc.). Geeignete Tätigkeitsbereiche sind Controlling, IT, Marketing, Finance, Logistik, HRM etc.

Studienaufbau: Der MAS BI besteht aus vier Certificate of Advanced Studies (CAS), zu je 15 ECTS, wobei die Reihenfolge der CAS frei wählbar ist:

  1. CAS Decision Intelligence
  2. CAS Customer Intelligence
  3. CAS Big Data Analysis
  4. CAS Artificial Intelligence.

Didaktik: Der Unterricht ist als individueller, berufsbegleitender Studiengang konzipiert, mit folgenden Vorteilen:

  • 100%-iges E-Learning ohne Präsenzunterricht mit individueller Betreuung durch kompetente Dozierende und Antwortzeit von max. 24 h.
  • Alle besprochenen Tools und Skills werden anhand konkreter Praxisbeispiele in 5-10 minütigen Videos vorgeführt und alle verwendeten Daten und Codes werden direkt abgegeben (keine Programmierkenntnisse vorausgesetzt).
  • Der Stoff wird kontiuierlich aktualisiert, so dass garantiert die neuesten Methoden behandelt werden.
  • Gearbeitet wird mit in der Praxis etablierten Software-Tools, wie R, Python Excel, API, Webservices etc.
  • Der Studienbeginn ist individuell und jederzeit möglich (keine Semester). Aufnahmebedingungen sind Bachelor, äquivalente Ausbildung oder "sur dossier". Das Material ist auf Deutsch, Projektarbeiten und Kommunikation mit Dozierenden auf Englisch möglich.
  • Jeder CAS besteht aus acht Modulen. Das Tempo durch die acht Module ist individuell und die maximale Studiendauer pro CAS ist acht Monate (ideal sind zwei Wochen pro Modul, d.h. vier Monate).
  • Der Leistungsnachweis in den CAS ist eine individuelle Projektarbeit, die entlang dem CAS erstellt wird, mit regelmässigem Feedback der Dozierenden (keine s/m Prüfungen).
  • Für den MAS-Abschluss braucht es drei der vier CAS plus eine Diplomarbeit in gleicher didaktischer Form, wie die Projektarbeiten in den vier CAS.
  • Bis zu 30 ECTS von gleichwertigen CAS/MAS können in den MAS-BI transferiert werden.
  • Sehr hohe Abschlussquote von 98% bei bisher rund 200 Teilnehmenden.

Lernziele: Aneignung von Methoden-, Fach- und Umsetzungskompetenz in Business Intelligence gemäss den behandelten Themen in den vier CAS.

Kosten: Die vier CAS können einzeln absolviert werden, d.h. ohne den MAS abschliessen zu wollen. Der MAS (und somit die vier CAS) muss innerhalb von fünf Jahren nach Beginn des ersten CAS abgeschlossen werden. Kosten pro CAS t.b.d.

 

CAS Decision Intelligence  

  1. Explizite Entscheidungen: Transitive Präferenz Bewertung, Dynamische Score-Cards, Pareto Optimale Lösungen, Entscheidungen mit künstlicher Intelligenz
  2. Risiko Entscheidungen: Szenario & Risiko Analysen, Risiko Aversion, Behavioral Finance, Risikoanalysen mit chatGPT
  3. Marketing Entscheidungen: Kunden Segmentierung, Predictive Marketing, Kaufprognosen mit chatGPT
  4. Policy Entscheidungen: Budget Optimierung, Portfolio Optimierung, Projekt Finanzierung, Operations Research für Prozessoptimierung
  5. Logistische Entscheidungen: Zuordnung Optimierung, Offerten Optimierung, Einsatz Optimierung, Transport Optimierung, Einsatzplanung mit künstlicher Intelligenz
  6. Organisatorische Entscheidungen: Wahlen und Aufteilungen, Konflikt Lösung, Game Theory, Social-Choice Analyse
  7. Dynamische Entscheidungen: Monte-Carlo Simulation, Diskrete Simulation, Trend und Zeitreihen Analysen, räumliche Pandemie-Simulation
  8. Hypothesen Entscheidungen: Hypothesen Definition, Statistische Testanalysen, Hypothesen Visualisieren und Interpretieren

 

CAS Customer Intelligence    

  1. Kunden Segmentierung: Klassische vs Analytische Segmentierung, Kundenmerkmale und Dimensionsreduktion, Kundenanlyse mit künstlicher Intelligenz
  2. Kundenklassifizierung: Decision Trees & Random Forests: Regression & Klassifikation Bäume, Random Forests, Kundenklassifizierung mit chatGPT
  3. Predictive Marketing: Kunden Profilierung, Logistische Regression, ROC Kurven, Gains Charts, Analysen in R und SQL
  4. Offerten Optimierung: Offerten Differenzierung & Kombination, Offerten-Kunden Optimierung, Market-Basked Analysis
  5. Testing & Sampling: Test Verfahren, A/B Testing, Conversion Testing, Modell Testing
  6. Kunden Befragungen: Konzept, Planung, Voranalyse, Durchführung, Daten Analyse
  7. Produkt Optimierung: Conjoint Analyse, Produkt Design, Wertmodell, Markt Analyse
  8. Kundenverhalten Analyse: Big Data & CRM, Up/Cross Selling, Churn & Retention, Win-Back & Neukunden, Customer Life Time Value

 

CAS Big Data Analysis     

  1. Smart Data als Führungsinstrument: Big vs Smart Data, Big Data Business Modelle, Big Data Technologien, Parallel Computing, Datenanalysen in R, Python und chatGPT
  2. Data Visualisierung: Multi-Dimensionale, Interaktive & Geo Visualisierung, Datenvisualisierung mit künstlicher Intelligenz
  3. Testverfahren: Varianzanalyse, kategorische Analyse, Post-Hoc Analyse, Distributed File Systems
  4. Data Mining: Korrelationsanalyse, Cluster-Analyse und Segmentierung, Linear Discriminant Analysis, Data Mining mit chatGPT
  5. Faktoren Analyse: Haupt-Komponenten Analyse, Explorative & Konfirmative Faktoren Analyse
  6. Predictive Analytics: Lineare, Polynomiale und Logistische Regression, Modellierung, Validierung, Zeitreihen-Analysen, Missing Values und Imputation
  7. Entscheidungsbäume: Klassifikations- und Regressionsbäume, Bedingte Inferenz, Random Forests und Neuronale Netze
  8. Web & Social Network Analytics: Log File & Surf Analytics, Google Analytics, Chord & Sankey Diagrams, 3D Networks, Google Trends, Facebook Analytics, Mobility Trend Analysis

 

CAS Artificial Intelligence 

  1. AI als Führungsinstrument: AI Business Modelle, Big Data Technologien, Einführung in R, Python und chatGPT
  2. Expert Systems: Bayes Networks, Fuzzy Inference, Regression, Entscheidungsbäume, Clusteranalyse, Knowelege Graphs
  3. Machine & Deep Learning: Neuronal Networks, Random Forests, Missing Values, Convolutional Neural Networs, Transfer Learning
  4. Bild & Video Analyse: Bild Analysen, Face Detection, Bild Clustering, Video Analysen, Deep Fakes, Large Language & Vision Assistants
  5. Natural Language Processing: Text Mining & Analysis, Email & Twitter & Facebook Analysis, Sentiment Analysis, Large Language Models und Retrieval Augmented Generation für Dokumentanalyse
  6. Chatbots: Funktionsweise von Chatbots, Entwicklung von Chatbots, API und Chatbots, Large Language Models in eigene Apps integrieren
  7. Web Services: API for AI, MS Azure, Google Clouds, Amazon Web Services, Web Services in eigene Apps integrieren
  8. Apps & Robots: Funktionalität und Programmierung von Robotern, online Roboter, Web Scraping, Entwicklung, AI Interfaces, AI App Generator, Taipy Web-App entwickeln
Dozierende

Prof. Dr. G. Beroggi
In seiner akademischen Tätigkeit war Giampiero Beroggi Privatdozent an der Universität Zürich, Associate Professor an der Technischen Universität Delft (NL), Gastdozent an der Universität zu Köln und Gastprofessor an der ETH-Zürich. In seiner Praxistätigkeit war er Chef des Statistischen Amtes des Kanton Zürich, Associate bei Oliver Wyman und CEO/VRP bei Spring Analytica. Er hat über 30 Jahre Unterrichtserfahrung in Statistik, Operations Research, Entscheidungsanalyse und App Entwicklung (Google Scholar).

Dr. P. Spring
Penny Spring hat über 30 Jahre Praxiserfahrung in statistischer Modellierung und Datenanalyse als Data Science Director Europe bei der Reader Digest (USA, SUI, NED, FIN, SWE), Leiterin Analytics bei der Migros Bank und Head of Customer Interaction and Analysis bei der Swisscom. Sie hat einen B.S. in Mathematik vom Wells College (USA), einen M.S. in Operations Research & Statistics vom RPI (USA) und einen PhD von der Universität Groningen (NED).
Anmeldung