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.

Data omvormen tot ‘actionable insights’

Business Analytics & Data Science

Meld je aan
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 de opgedane kennis gaat toepassen. Hierbij integreer je de drie kerndisciplines wiskunde, informatica en bedrijfskunde. Je hebt grote inbreng bij het formuleren van het projectplan (doelen en resultaten). Projecten zijn bij voorkeur gericht op inbedding in de huidige werkomgeving. 

De periode sluit je af met een voorbereiding op het INFORMS-examen Certified Analytics Professional.

Online Voorlichtingsavond

Business Analytics & Data Science

Dinsdag 30 maart 2021 

18.30 uur tot 19.30 uur

Schrijf je nu in

Online Open Avond

Donderdag 20 mei 2021

Meld je nu aan

Docenten

Docenten

De colleges worden verzorgd door ervaren, gepromoveerde docenten/onderzoekers (niet zelden hoogleraren) vanuit zowel de Faculteit Exacte Wetenschappen (FEW) als de School of Business and Economics (SBE). 

De vijf periodes:

docenten VU School of Business and Economics

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.

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

Big Data Infrastructures and Technologies

Om met zeer grote hoeveelheden (‘big’) data te kunnen werken, zijn specifieke infrastructuren nodig die vaak gedistribueerd zijn en een grote opslag- en rekencapaciteit vereisen. In deze module wordt aandacht besteed aan deze infrastructuren: welke varianten zijn er, hoe zet je ze op, hoe gebruik je ze zo efficiënt mogelijk om data op te slaan en algoritmes te draaien over de data? MapReduce en Hadoop zijn voorbeelden van aanpakken die behandeld zullen worden.

  • parallel systems
  • distributed systems
  • infrastructures
  • databases
  • high performance computing
  • MapReduce

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.

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

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.

  • 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.

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

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.

  •  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.

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

Periode 5

Process Analytics & Semantic Web

In deze module kijken we naar hoe we de in een organisatie aanwezige data kunnen gebruiken om bedrijfsprocessen te verbeteren. Het gaat daarbij om het analyseren van gebeurtenissen (event data) middels process mining. Daarnaast kijken we naar hoe bestaande data ‘verrijkt’ kan worden (in lijn met het zogenaamde semantic web, gebruikmakend van ontologies). Zo kunnen gegevens interpreteerbaar worden gemaakt voor computers en kunnen we hier ook mee gaan redeneren.

  • process mining
  • business process management
  • event data
  • structured data
  • RDF
  • OWL
  • semantic web

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 uit het domein van de Kunstmatige Intelligentie 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 association rules (APRIORI) behandeld worden in een toegepaste setting.

  • neural networks
  • 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.

  • 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.

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

    Big Data Infrastructures and Technologies

    Om met zeer grote hoeveelheden (‘big’) data te kunnen werken, zijn specifieke infrastructuren nodig die vaak gedistribueerd zijn en een grote opslag- en rekencapaciteit vereisen. In deze module wordt aandacht besteed aan deze infrastructuren: welke varianten zijn er, hoe zet je ze op, hoe gebruik je ze zo efficiënt mogelijk om data op te slaan en algoritmes te draaien over de data? MapReduce en Hadoop zijn voorbeelden van aanpakken die behandeld zullen worden.

    • parallel systems
    • distributed systems
    • infrastructures
    • databases
    • high performance computing
    • MapReduce
  • 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.

    • 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.

    • 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.

    • 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.

    •  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.

    • business model canvas
    • digital innovation
    • innovation process
    • non-disruptive & disruptive innovation
  • Periode 5 & 6

    Periode 5

    Process Analytics & Semantic Web

    In deze module kijken we naar hoe we de in een organisatie aanwezige data kunnen gebruiken om bedrijfsprocessen te verbeteren. Het gaat daarbij om het analyseren van gebeurtenissen (event data) middels process mining. Daarnaast kijken we naar hoe bestaande data ‘verrijkt’ kan worden (in lijn met het zogenaamde semantic web, gebruikmakend van ontologies). Zo kunnen gegevens interpreteerbaar worden gemaakt voor computers en kunnen we hier ook mee gaan redeneren.

    • process mining
    • business process management
    • event data
    • structured data
    • RDF
    • OWL
    • semantic web

    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 uit het domein van de Kunstmatige Intelligentie 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 association rules (APRIORI) behandeld worden in een toegepaste setting.

    • neural networks
    • 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.

Hulp nodig bij studiekeuze?

Heb je nog vragen, wil je verschillende opties bespreken of heb je andere twijfels? Tijd voor een persoonlijk gesprek! Marleen Stieger helpt je graag. Mail m.j.a.y.stieger@vu.nl of:

Bel direct

In-company

Wil je (onderdelen uit) deze opleiding in-company aanbieden? Dat kan! Neem contact op met Madeleine Lodewijks om een programma op maat af te stemmen.

Meer informatie over incompany opleidingen

Wil je meer weten?

Dr. Marijn Plomp (opleidingsmanager) en Nicole Lijs (medewerker studentenzaken) staan je altijd graag te woord.

020 - 598 36 08

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

Contactpersoon

Nicole Lijs