Business Analytics handler om at udforske og analysere data for at få indsigt i tidligere forretningsresultater med henblik på at styre den fremtidige forretningsplanlægning.

Dette kursus introducerer den portefølje af datavidenskabelige opgaver og teknikker, der er nødvendige for at udforske, manipulere, visualisere og analysere data (deskriptiv analyse) samt opbygge forudsigelsesmodeller ved hjælp af maskinlæring (prædiktiv analyse), som kan bruges til at opnå indsigt og understøtte beslutninger (præskriptiv analyse). Kurset er designet med henblik på studerende inden for Business Analytics (dvs. der kræves en vis Python programmeringsbaggrund), især - men ikke udelukkende - studerende med relation til studier inden for mobilitet, logistik og virksomhedsanalyse. Derfor indeholder kurset en stærk praktisk komponent med konkrete cases fra den virkelige verden, primært inden for mobilitet og transport.

Kurset omfatter også en introduktion til databehandling, problemformulering og den grundlæggende pakke af maskinlæringsalgoritmer. En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:

• Designe og implementere Python-baserede dataanalyse-workflows med fokus på reproducerbarhed og effektivitet
• Formulere og operationalisere forretningsrelaterede problemstillinger som datadrevne analytiske opgaver
• Udvælge og anvende relevante datastrukturer, algoritmer og analytiske metoder til at adressere komplekse forretningsproblemstillinger
• Analysere, fortolke og syntetisere resultater fra deskriptive og prædiktive modeller til handlingsorienterede forretningsindsigter og anbefalinger
• Udvikle og evaluere visualiseringer, der afdækker komplekse temporale og spatiale mønstre til brug for beslutningstagning
• Designe, træne og validere statistiske modeller og machine learning-modeller ved anvendelse af relevante evalueringsstrategier
• Kritisk vurdere data science-metoder, modelperformance og underliggende antagelser, herunder bias, varians og overfitting
• Forklare og kritisk reflektere over centrale begreber inden for data mining og machine learning i praktiske og forretningsmæssige kontekster

Undervisningen foregår på en interaktiv måde, hvor teoretiske elementer kombineres med praktisk arbejde ved brug af Jupyter Notebooks.

Hovedemnerne er datavisualisering, prognose- og regressionsmodeller, klassifikation, clustering, dimensionalitetsreduktion og tidsserieanalyse. Metoderne vil blive eksemplificeret gennem forskellige cases, f.eks. inden for transport og ledelse.

Introduktion til Python-programmering og Pandas som supplerende materiale (krav til kurset/selvstudium) Hver forelæsning har sine egne anbefalede tekster, som vil være offentligt tilgængelige online. For den studerende, der er interesseret i at følge en bog, anbefaler vi "The elements of statistical learning" af Trevor Hastie, Robert Tibshirani og Jerome H. Friedman samt "Python for Data Analysis" af Wes McKinney 04. maj, 2026