נקודות זכות באוניברסיטה העברית: 3

תואר: מוסמך

היחידה האקדמית שאחראית על הקורס: מנהל עסקים

סמסטר: סמסטר א'

שפת ההוראה: אנגלית ועברית

קמפוס: הר הצופים

מורה אחראי על הקורס (רכז): ד"ר שרית וייסבורד

דוא"ל של המורה האחראי על הקורס: sarit.weisburd@mail.huji.ac.il

שעות קבלה של רכז הקורס: בתיאום מראש

מורי הקורס:
ד"ר שרית ויסבורד

תאור כללי של הקורס:
קורס זה מתמקד בהקניית מיומנויות אנליטיות מתקדמות לזיהוי ומדידה של קשרים סיבתיים בהקשר של אסטרטגיה עסקית. הקורס מכסה שיטות וטכניקות שונות המשמשות להסקה סיבתית, תוך שימת דגש על יישומן בתרחישים עסקיים בעולם האמיתי. התלמידים ילמדו לתכנן ולבצע ניסויים, לנתח נתונים אמפירים ולהסיק מסקנות סיבתיות כדי לספק החלטות אסטרטגיות.

מטרות הקורס:
בעולם העסקים של היום, אנו חווים פיצוץ בזמינות לנתונים נרחבים של כל פירמה. זה נהפך ליותר ויותר נפוץ לעקוב אחר כל שלב של חווית הרכישה - מחיפוש לרכישה, בניגוד לסיכום מצטבר של מכירות החברה. קורס זה יקדם את הנושאים הנלמדים בקורס "ניתוח נתונים לקבלת החלטות", הוא נועד לתת לסטודנטים ניסיון מעשי בשימוש בכלי ניתוח הנתונים שנלמדו בקורס זה לצד תיאוריות של אסטרטגיה עסקית לביצוע מחקר מקורי. ההתמקדות שלנו תהיה ביישום כלים להסקת סיבתיות כדי לחשוב היטב על השאלות שאנו שואלים את הנתונים וכיצד אנו מפרשים את התוצאות. הנושאים הנלמדים בקורס זה כוללים ניקוי נתונים מעשי, הדמיית נתונים, ניתוח רגרסיה ובדיקת השערות.

תוצרי למידה :
בסיומו של קורס זה, סטודנטים יהיו מסוגלים:
1. הבנת החשיבות של ניתוח נתונים והסקת מסקנות בקבלת החלטות אסטרטגיות והשיטות שיאפשרו להסיק מסקנות סיבתיות.
2. לפתח מיומנויות בביצוע ניקוי נתונים וניתוח נתונים לזיהוי דפוסים ומגמות בנתונים קיימים, וכן תכנון וביצוע ניסויים שיתנו הזדמנות לזהות קשרים סיבתיים.
3. ליישם שיטות הסקה סיבתיות על תרחישים עסקיים ולהעריך את השלכותיהן על פיתוח האסטרטגיה העסקית.
4. שיפור חשיבה ביקורתית ויכולת פתרון בעיות בהקשר של הסקה סיבתית באסטרטגיה עסקית.
5. העברת תובנות מניתוח נתונים בצורה יעילה לבעלי העניין בחברה

דרישות נוכחות (%):
80

שיטת ההוראה בקורס:

רשימת נושאים / תכנית הלימודים בקורס:
I. הקדמה
II. ניקוי נתונים גולמיים ועבודה עם נתונים אמפיריים
III. הסקה סיבתית ורגרסיות
IV. הנגשת תוצאות מנתונים כדי לתת ייעוץ אסטרטגי

חומר חובה לקריאה:
1. Angrist & Pischke – Chapter 1
2. Bojinov, I., Chen, A., & Liu, M. (2020). The Importance of Being Causal. Harvard Data Science Review, 2(3). https://doi.org/10.1162/99608f92.3b87b6b0 (https://hdsr.mitpress.mit.edu/pub/wjhth9tr/release/3)
3. Jan 25, 2022 Science | Causal Machine Learning | Microsoft Research Summit 2021

חומר לקריאה נוספת:

מרכיבי הציון הסופי :
הגשת עבודה מסכמת / פרויקט גמר / מטלת סיכום / מבחן בית / רפרט % 45
מצגת / הצגת פוסטר / הרצאה / סמינר / פרוסמינר / הצעת מחקר % 20
השתתפות פעילה / עבודת צוות % 5
מטלות הגשה במהלך הסמסטר: תרגילים / עבודות / מבדקים / דוחות / פורום / סימולציה ואחרות % 30

מידע נוסף / הערות: