Liiketoimintakeskeisen datatieteen opinnot

FT Virpi Hotti

1. Kuvaus

Liiketoimintakeskeisessä datatieteessä tehdään datasta helposti lähestyttävää (approachable) ja opitaan tuottamaan eri toimialoilla toimiville organisaatioille käyttökelpoisia näkemyksiä (actionable insights). Liiketoimintakeskeinen datatieteen opinnoissa datan lisäksi huomioidaan liiketoiminta ja dataa hyödyntävät ihmiset, sillä vasta ihmisten ymmärryksen lisääntyessä käyttökelpoiset näkemykset johtavat toimintaan.

 

Liiketoimintakeskeinen datatiede antaa valmiudet seurata tietoteknistä kehitystä, sillä tänä päivänä datan hyödyntäminen on liiketoimintakäyttäjän näkökulmasta katsottuna ”välineurheilua” - esimerkiksi liiketoimintatietohallinnan (Business Intelligence, BI) ja kehittyneen analytiikan (Advanced Analytics, AA) työkalukehitystä tehdään sellaisella vauhdilla, että uusia ominaisuuksia julkaistaan jopa kuukausittain. Liiketoimintakeskeisessä datatieteessä seurataan erityisesti tekoäly-ympäristöjen, kuten IBM Watson, ja kognitiivisten sovellusten kehitystä sekä robotiikan, erityisesti ohjelmistorobotiikan (Robotic Process Automation, RPA), kehitystä. 

2. Osaamistavoitteet

Liiketoimintakeskeinen datatieteilijä osaa tulkita erilaisia liiketoimintamalleja sekä tuottaa liiketoimintaan liittyviä kuvauksia erilaisia viitekehyksiä hyödyntäen. Datatieteilijän tulee hallita datajoukkojen kuvailu ja erilaisten datajoukkojen yhdistäminen sekä mallinteiden ja mallien tuottaminen. Datatieteilijä ymmärtää ohjaamatonta (unsupervised) tai ohjattua (supervised) koneoppimista (machine learning) sekä tekoälykehityksen keskiössä olevaa syväoppimista (deep learning).

3. Urakehitys

Dataa hyödynnetään eri ammateissa ja liiketoimintakeskeisen datatiede antaa valmiudet työskennellä eri toimialoilla asiantuntija- tai johtotehtävissä. Organisaatioissa on erilaisia funktioita, kuten markkinointi tai taloushallinto, joissa datatieteilijä voi työskennellä eri nimikkeillä.

4. Esitietovaatimukset

Tietojenkäsittelytieteen LuK-tason opinnot. Suositeltavina sivuaineopintoina kauppatiede, kognitiotiede ja/tai tilastotiede.

5. Opinnäytteet ja harjoittelu

Pro gradu 30 op, harjoittelu/erikoistyö 15 op

6. Kurssit

6.1 Pakolliset kurssit, yhteensä 42 op

Datatieteeseen liittyvät syventävät kurssit (25 op), jotka vaihtelevat vuosittain:

3621589 Advanced data analytics - introduction (kehittynyt data-analytiikka johtamisessa - perusteet), 5 op

3621599 Advanced data analytics - ecosystems (kehittynyt data-analytiikka johtamisessa - ekosysteemit), 5 op

3621383 Advanced data analytics – insights (kehittynyt data-analytiikka johtamisessa – tulosten tulkinta), 5 op

3621656 Data Governance and Management Frameworks (tiedonjohtaminen), 5 op

3621595 Big Data and cloud computing (big data ja pilvipalvelut), 5 op

 

Kaikille pakolliset syventävät opinnot (5 op):

3621591 Tietojenkäsittelytieteen FM-seminaari, 2 op

3621112 Hops-tietojenkäsittelytiede (FM), 1 op

8013453 English Academic and Professional Communication, 2 op

 

Seuraavista kolmesta syventävästä opinnosta valitaan vähintään kaksi (12 op).

3621511 Design and analysis of algorithms (algoritmien suunnittelu ja analysointi), 6 op

3621512 Software engineering (ohjelmistotuotanto), 6 op

3621513 Research Methods in Computer Science (tietojenkäsittelytieteen tutkimusmenetelmät), 6 op

6.2 Erikoistyö tai harjoittelu, 10–20 op

Kun organisaatio antaa opiskelijalle erikoistyöaiheen tai harjoittelupaikan, niin opiskelija pääsee soveltamaan oppimaansa organisaation kannalta tärkeisiin asioihin.

6.3 Gradu 30 op

Pro gradu -tutkielma pyritään tekemään jossakin yrityksessä tai muussa organisaatiossa.

6.4 Suositellut aihepiirin asiantuntemusta kehittävät kurssit (28–38 op)

Suositeltavia sivuaineopintoja kauppatieteen ja/tai tilastotieteen sivuaineopinnot.

Suositeltavia aihealuetta tukevia tietojenkäsittelytieteen opintoja ovat muun muassa seuraavat:

3621559 Tietokannanhallintajärjestelmät, 5 op

3621518  Machine vision (koneoppiminen), 5 op

3621517  Pattern recognition (hahmontunnistus), 5 op

3621552  Clustering methods (klusterointimenetelmät), 5 op