Sorry! The information you are looking for is only available in Dutch.
Deze opleiding is bewaard in Mijn studiekeuze.
Deze opleiding kan niet bewaard worden.
Je bent nog niet ingelogd in Mijn studiekeuze. Log in of maak een account aan om jouw opleidingen op te slaan.
Er gaat iets mis, probeer het later nog een keer.

Leer datavraagstukken multidisciplinair aanpakken

Business Analytics & Data Science

Het curriculum van de opleiding Business Analytics & Data Science zorgt voor algemene, brede kennis en vaardigheden die jou in staat stellen om data om te zetten in acties.

De opleiding bestaat uit 6 periodes. In de eerste vijf periodes ga je vakinhoudelijk de diepte in, deze staan hieronder uitvoerig beschreven.

In de laatste periode realiseer je een project waarin je aantoont de opgedane kennis en vaardigheden te kunnen toepassen. Hierbij integreer je bij voorkeur de drie kerndisciplines wiskunde, informatica en bedrijfskunde. Je hebt grote inbreng bij het formuleren van het projectplan (doelen en resultaten). Projecten zijn ingebed in de praktijk, bijvoorbeeld de eigen werkomgeving. 

De opleiding bereidt voor op het INFORMS-examen met de internationaal erkende titel Certified Analytics Professional (CAP); deelname aan dit examen is inbegrepen in het collegegeld.

Programma en docenten

Programma en docenten

Schematisch ziet het opleidingsprogramma eruit zoals hier weergegeven. Hieronder vind je de toelichting per periode. 

De colleges worden verzorgd door ervaren, gepromoveerde docenten/onderzoekers (niet zelden hoogleraren) vanuit zowel de Faculteit der Bètawetenschappen (FBW) als de School of Business and Economics (SBE). Waar relevant wordt ook de verbinding met experts uit de praktijk gezocht.

De zes periodes:

Opbouw van de opleiding

  • Periode 1

    Advanced Statistical Methods

    In de praktijk moet men dikwijls data op een geschikte en efficiënte wijze verzamelen, analyseren, interpreteren en presenteren. Dit vereist kennis en wetenschap van statistiek. In deze module maak je kennis met theorie en toepassingen van een aantal veelgebruikte statistische technieken. Na afloop kun je datasets op een relevante manier samenvatten en analyseren.

    Keywords:

    • (multivariate) data analysis
    • hypothesis testing
    • logit and probit models
    • Bayesian statistics
    • dimension reduction
    • regression
    • forecasting

    Big Data Infrastructures and Technologies

    Wat is precies big data en wat kun (moet?) je ermee? Met de intrede van sensoren die periodiek kunnen meten, wordt er steeds meer gemeten en opgeslagen. Naast dat deze sensoren een tijdscomponent kennen, hebben ze vaak ook een ruimtelijke component: er wordt wel gezegd dat minimaal 90% van de data direct of indirect te koppelen valt aan een locatie.

    In deze module wordt aandacht besteed aan de infrastructuren en technieken die gebruikt (kunnen) worden om dit soort data (groot, temporeel, ruimtelijk) op te slaan, te visualiseren en te analyseren.

    Keywords:

    • Databases (SQL, PostgreSQL)
    • Big Data
    • Machine Learning
    • Digital Twins
    • Application Programming Interface (API)
    • Location Intelligence
    • Python
  • Periode 2

    Predictive Modeling

    In veel beslissingsvraagstukken is er de wens om te weten welke toekomstige gebeurtenissen er zullen optreden zodat de beste beslissingen genomen kunnen worden. Op basis van historische data is het mogelijk om patronen te distilleren die iets over de toekomst zeggen. Het proces om van data naar een wiskundig model te komen om een zo goed mogelijke voorspelling te maken heet predictive modelling. In deze module geven we een overzicht van de meest relevante technieken en doen we hiermee ervaring op door ze toe te passen op datasets.

    Keywords:

    • classification models
    • simulation (Monte Carlo, discrete event)
    • stochastic models

    Behavioral Decision Making

    Big data kan gebruikt worden om het gedrag van mensen in kaart te brengen. Om deze kennis te vertalen in bruikbare inzichten en beter beleid, is het noodzakelijk om enige kennis te hebben van algemene principes die ten grondslag liggen aan keuzes en gedrag. In deze module bieden wij een overzicht van deze principes, en laten wij – aan de hand van onderzoeken en praktijkcases – zien hoe zij toegepast kunnen worden om sales te vergroten, om overheidsdoelstellingen te bereiken, en om consumenten en managers betere beslissingen te laten nemen.

    Keywords:

    • heuristics and biases
    • nudging
    • persuasion
    • influencing
    • behavioral economics
  • Periode 3

    Business Intelligence & Analytics

    Deze module richt zich op: doelen en inrichting van de Business Intelligence & Analytics (BI&A) functie in organisaties, vormgeving en inhoud van belangrijke BI&A processen, en BI&A projectmanagement.

    Keywords:

    • business intelligence framework
    • business intelligence on demand (organisatie van BI functie)
    • information requirements
    • BI maturity
    • data quality
    • projectmanagement

    Ethics, Law and Privacy for BADS

    Het proces van data-analyse bestaat uit drie fasen: (i) verzamelen van data, (ii) bevragen van die data en (iii) de gevolgen die je verbindt aan deze analyse. In elk van deze fasen spelen ethische en juridische aspecten een rol en daar gaan we in deze module dieper op in.

    Keywords:

    • purpose-specification
    • data limitation
    • feature creep
    • data processing
    • liability
    • contracting
    • security
  • Periode 4

    Optimisation

    Een groot aantal (meestal complexe) taken in organisaties kan beschouwd worden als optimalisatieproblemen, waar het zaak is om een gegeven doel te minimaliseren of te maximaliseren. In het meest simpele geval zijn alle gegevens bekend en leidt dit tot deterministische optimalisatie. Er zijn echter ook gevallen waarbij beslissingen onder onzekerheid genomen moeten worden, resulterend in stochastische optimalisatie. In deze module wordt aandacht besteed aan technieken uit de optimalisatie en de tools om oplossingen te genereren.

    Keywords:

    •  deterministic optimisation
    • stochastic optimisation
    • heuristics

    Data-driven Business Model Innovation

    De datarevolutie heeft grote gevolgen voor de samenleving en biedt zowel bedreigingen als kansen voor organisaties. Big data wordt gezien als een veroorzaker van disruptive change. In deze module gaan we aan de hand van het business model canvas dieper in op de consequenties van big data voor de manier waarop organisaties waarde creëren. We behandelen innovatie op drie niveaus (proces, product/dienst en ecosysteem) en hoe dit invloed heeft op alle elementen van het canvas. Ook wordt aandacht besteed aan hoe (of: in hoeverre) je als organisatie data-driven innovation kunt organiseren, zodat goed ingespeeld kan worden op de mogelijkheden.

    Keywords:

    • business model canvas
    • digital innovation
    • innovation process
    • non-disruptive & disruptive innovation
  • Periode 5

    Process Analytics

    In deze module kijken we hoe we bedrijfsprocessen kunnen verbeteren met behulp van data. Bedrijfsprocessen beschrijven de kernoperaties van een organisatie - van acquisitie tot verkoop - en bieden deze ondersteuning door bijvoorbeeld de werving van nieuw personeel. Gezamenlijk vormen zulke bedrijfsprocessen de motor van iedere organisatie. In deze module nemen we een kijkje onder de motorkap en leren we bedrijfsprocessen op een gestructureerde wijze te analyseren en herontwerpen. Ook reflecteren we op het strategisch belang van goed afgestemde en geoptimaliseerde bedrijfsprocessen.

    Keywords:

    • business processes
    • process mining
    • operations management
    • process design
    • event data

    Artificial Intelligence: Data Mining & Machine Learning

    Grote hoeveelheden data bevatten vaak een enorme rijkdom aan informatie. Om deze informatie te extraheren, zijn traditionele technieken echter niet meer afdoende. Data Mining en Machine Learning technieken zijn specifiek ontwikkeld om op een datagedreven manier automatisch patronen te ontdekken. In dit vak zullen state-of-the-art machine learning algoritmes voor classificatie (o.a. decision trees, random forests, SVM), regressie (bijvoorbeeld model trees, regression trees), clustering (waaronder k-means) en tijdreeksen behandeld worden in een toegepaste setting. Ook zal er aandacht zijn voor de verschillen tussen modellen voor voorspellen versus beslissen. 

    Keywords:

    • machine learning technieken
    • endogeniteit
    • text mining
  • Periode 6

    BADS Project

    Realisatie van een project gericht op toepassing van hetgeen in de opleiding is behandeld. Hierbij vindt integratie plaats van de drie kerndisciplines (wiskunde, informatica en bedrijfskunde). Studenten hebben in beginsel grote inbreng bij het formuleren van het projectplan (doelen en resultaten). Projecten zijn bij voorkeur gericht op inbedding in de huidige werkomgeving.

    INFORMS Exam Preparation

    Deze module geldt als voorbereiding voor de studenten die deel willen nemen aan het INFORMS-examen Certified Analytics Professional.

Wil je meer weten?

Dr. Marijn Plomp (opleidingsmanager) en Christina Dirks staan je altijd graag te woord.

Vrije Universiteit Amsterdam
School of Business and Economics Executive Education
De Boelelaan 1105
1081 HV Amsterdam

Contactpersoon

  • Dr. Marijn Plomp
  • Opleidingsmanager
Marijn Plomp