Business Statistics

Biznes statistikası təlimi müasir data əsaslı şirkətlərdə çalışan əməkdaşların bilməli olduğu ən vacib məqamları özündə birləşdirir. Təlim biznes datalarının analizi zamanı lazım olan statistik mövzuları əhatə etməkdədir. Bu bilik və bacarıqlar sayəsində biznesin müxtəlif hissələrində rastlanılan situasiyalarda data üzərindən qərarvermə bacarıqlarına sahib olacaqsınız.
Nəzəri-praktiki təlim sonunda:
1. Təsviri, Nəticəvi və Diaqnostik statistik analiz texnikalarını mənimsəmiş olacaqsınız;
2. Praktiki izahlar və tapşırıqlar nəticəsində sərbəst şəkildə R ilə analizlər etməyi bacaracaqsınız;
3. Real biznes keyslərinə data-əsaslı yanaşma baxışını özünüzdə formalaşdıracaqsınız.

Kamal Mirzəyev, Qafqaz Universiteti İqtisadiyyat və İdarəetmə fakültəsinin bakalavr dərəcəsini kafedra birincisi və fərqlənmə diplomu ilə bitirmişdir. Avropa Birliyinin Erasmus KA1+ proqramı çərçivəsində İtaliyanın L`Aquila unversitetində təhsil almış və universiteti ən yüksək qiymətlərlə tamamlamış eyni zamanda UNEC-də Strateji İdarəetmə ixtisası üzrə magistr dərəcəsini fərqlənmə diplomu ilə tamamlamışdır. Hazırda ÜNEC-də doktorantura təhsilini davam etdirir.

Kamal Mirzəyev bir çox şirkətlərdə Data Analitikası üzrə baş mütəxəsis, şöbə rəhbəri və departament rəhbəri vəzifələrində çalışmışdır. Hal-hazırda Azərbaycan Kredit Bürosunda "Data Analytics and Predictive Modelling"-in rəhbəri vəzifəsində çalışır və universitetlərdə tədris prosesini həyata keçirir.

Təlim müddətində iştirakçılar yalnız nəzəri bilikləri deyil, həmçinin praktiki tapşırıqlarla mövzuları daha effektiv mənimsəyəcəklər. Təlim iştirakçıları müxtəlif keyzlər üzərində praktiki olaraq işləyəcəklər. Həmçinin, hər dərsin sonunda ev tapşırıqları ilə keçilən mövzular daha da möhkəmləndiriləcək. Təlimin sonunda iştirakçılar öyrəndikləri bacarıqları tətbiq edərək onlara verilmiş proyekt üzərində işləyəcəklər. Təlim proqramı ərzində iştirakçılara mentorluq dəstəyi də göstəriləcək. Dərslərə davamiyyət və keçirilən testlərin nəticələrinə əsasən iştirakçılar sertifikatla təmin olunacaqdır.

Data Science, Data Analitikası, Biznes Analitikası, Müştəri Əlaqələrinin İdarə Olunması (CRM), Marketing Research, Maliyyə Analitikası və Risklərin İdarə Olunması kimi sahələrdə çalışmaq istəyənlər və çalışanlar.

Introduction to Statistics

• Introduction to Business Statistics
• Different Types of date for Business Statistics
• Basic Statistical Concepts

R Fundamentals for Analyzing and Interpret Row Data

• Install R and R Studio and engage in a basic R session
• Be able to read in data and write out data files from various sources
• Create and execute their own user-defined functions in an R session
• Understand the characteristics of different data types and structures in R
• Sort, select, filter, subset, and manipulate tables of data in R
• Understand how to use the apply() family of functions to execute various actions against different R data structures
• Know how to use reshaping and recoding "short cuts" for changing data types and for rearranging data structures
• Basic visualization and share reports in R

Applying Descriptive and Diagnostic Statistics in Real Business

Visualizing and Exploring Data (EDA) 

• Defining and collecting data

• Organizing and visualizing variables

• Chart absolute frequency, relative frequency, cumulative absolute frequency and cumulative relative frequency histograms.

• Categorical and numerical variables measurement levels

• Tables and charts, cross tables, pie charts, pareto diagrams

• Histograms and ogives, shape of a distribution, stem-and-leaf displays, scatter plots

Descriptive Statistical Measures for Business

• Measures of Location, Arithmetic Mean, Median, Mode, Midrange

• Using Measures of Location in Business Decisions

• Measures of Dispersion, Range, Interquartile Range, Variance,

• Standard Deviation, Chebyshev’s Theorem and the Empirical Rules

• Standardized Values, Coefficient of Variation

• Measures of Shape 

Probability Distributions 

• Probability Rules and Formulas

• Joint and Marginal Probability

• Conditional Probability

• Random Variables and Probability Distributions

• Discrete Probability Distributions

• Expected Value of a Discrete Random Variable

• Using Expected Value in Making Decisions 

• Variance of a Discrete Random Variable 

• Bernoulli, Binomial, and Poisson Distribution

• Continuous Probability Distributions

• Properties of Probability Density Functions 

• Uniform Distribution 

• Normal Distribution 

• Standard Normal Distribution 

• Using Standard Normal Distribution Tables

• Exponential Distribution 

• Continuous Distribution

• Other Useful Distributions 

Sampling and Estimation for Decision Making

• Statistical Sampling

• Sampling Methods 

• Estimating Population Parameters 

• Unbiased Estimators 

• Errors in Point Estimation

• Sampling Error

• Understanding Sampling Error

• Sampling Distributions

• Sampling Distribution of the Mean 

• Applying the Sampling Distribution of the Mean

• Interval Estimates

• Confidence Intervals

• Confidence Interval for the Mean with Known Population Standard Deviation 

• The t-Distribution

• Confidence Interval for the

• Mean with Unknown Population Standard Deviation

• Confidence Interval for a Proportion

• Additional Types of Confidence Intervals

• Using Confidence Intervals for Decision Making

• Prediction Intervals 

• Confidence Intervals and Sample Size

Statistical Inference for Data Mining

• Hypothesis Testing, Hypothesis-Testing Procedure

• One-Sample Hypothesis Tests

• Understanding Potential Errors in Hypothesis Testing

• Selecting the Test Statistic

• Two-Tailed Test of Hypothesis for the Mean, p-Values

• One-Sample Tests for Proportions 

• Confidence Intervals and Hypothesis Tests

• Two-Sample Hypothesis Tests

• Two-Sample Tests for Differences in Means 

• Two-Sample Test for Means with Paired Samples

• Test for Equality of Variances 

• Analysis of Variance (ANOVA)

• Assumptions of ANOVA

• Chi-Square Test for Independence 

• Cautions in Using the Chi-Square Test

Statistical Decision Making under Uncertainty for Business with real cases

Trendlines and Regression Analysis with Data

• Modeling Relationships and Trends in Data

• Simple Linear Regression

• Finding the Best-Fitting Regression Line

• Least-Squares Regression

• Simple Linear Regression with Excel

• Regression as Analysis of Variance

• Testing Hypotheses for Regression Coefficients

• Confidence Intervals for Regression Coefficients

• Residual Analysis and Regression Assumptions

• Checking Assumptions

• Multiple Linear Regression

• Building Good Regression Models

• Correlation and Multicollinearity

• Practical Issues in Trendline and Regression Modeling

• Regression with Categorical Independent Variables

• Categorical Variables with More Than Two Levels

• Capstone project with real business cases

Forecasting Techniques for Business

• Statistical Forecasting Models

• Forecasting Models for Stationary Time Series

• Moving Average Models

• Error Metrics and Forecast Accuracy

• Exponential Smoothing Models

• Forecasting Models for Time Series with a Linear Trend 

• Double Exponential Smoothing

• Regression-Based Forecasting for Time Series with a Linear Trend

• Forecasting Time Series with Seasonality

• Regression-Based Seasonal Forecasting Models 

• Selecting Appropriate Time-Series-Based Forecasting Models

• Regression Forecasting with Causal Variables

• Capstone project with real business cases

Monte Carlo Simulation and Risk Analysis Process

• Defining Uncertain Model Inputs Defining Output Cells 

• Running a Simulation, Viewing and Analyzing Results

• New-Product Development Model

• Confidence Interval for the Mean 

• The Flaw of Averages 

• Monte Carlo Simulation Using Historical Data 

• Monte Carlo Simulation Using a Fitted Distribution

• Capstone project with real business cases

Statistical Decision Analysis for Driving Consumer Experience.

• Bank Customers based on real time interactions and streaming analytics with real business cases

Statistical Clustering Analysis for Customer Behavioral Segmentation 

• Bank Customers based on behavioral actions with real business cases