| Ders Adı | Kodu | Verildiği Yıl | Verildiği Yarıyıl | Süresi (T+U) | Yerel Kredisi | AKTS Kredisi |
| Veri Analitiği | ECM 254 | | | 3 + 0 | 3 | 5,00 |
| |
| Ders Bilgileri |
| Dersin Öğretim Dili | İngilizce |
| Dersin Seviyesi | Ön Lisans |
| Dersin Türü | Seçmeli |
| Dersin Veriliş Biçimi | Yüz Yüze |
| |
Dersin Öğrenme Kazanımları:
Bu dersi başarı ile tamamlayan öğrenciler: |
| 1. Veri analitiği kavramlarını ve önemini kavrar. |
| 2. Veri toplama, temizleme ve görselleştirme süreçlerini öğrenir. |
| 3. Temel istatistiksel analizleri gerçekleştirir. |
| 4. E-ticaret ve pazarlama alanında veriden elde edilen içgörüleri stratejik kararlarla ilişkilendirebilir. |
| 5. R programlama dilini temel düzeyde kullanmayı öğrenir. |
| 6. Trend analizi ve raporlama tekniklerini uygular. |
| 7. Veri analitiği araçlarını ve platformlarını tanır ve kullanır. |
| |
| Dersin Önkoşulları ve Birlikte Alınması Gereken Dersler | Yok |
| Daha Önce Alınmış Olması Önerilen Dersler | Yok |
| |
Dersin Tanımı:
Bu ders, e-ticaret ve dijital pazarlama alanında veri analitiği süreçlerini öğretmeyi amaçlamaktadır. Öğrenciler, veri analitiği kavramlarını öğrenerek, iş kararlarına yön vermek için veriyi toplama, işleme, analiz etme ve yorumlama becerileri kazanır. Ders kapsamında, veri görselleştirme, temel istatistiksel analizler, trend analizi, raporlama ve karar destek sistemleri gibi konular ele alınır. Özellikle R programlama dilinin temel kullanımı ve veri analitiği araçlarının tanıtımı üzerinde durulur. |
| |
| Dersin İçeriği (Haftalık Konu Dağılımı): |
| |
| Hafta | Konu |
| 1 | Veri analitiğine giriş: Temel kavramlar ve iş dünyasındaki önemi |
| 2 | Veri türleri ve veri toplama yöntemleri |
| 3 | Veri temizleme ve düzenleme süreçleri |
| 4 | Veri görselleştirme: Grafik ve tablo oluşturma |
| 5 | Temel istatistik kavramları: Ortalama, medyan, mod, standart sapma |
| 6 | R programlama diline giriş: Temel komutlar ve veri manipülasyonu |
| 7 | Trend analizi: Zaman serileri ve değişimlerin analizi |
| 8 | Ara Sınav |
| 9 | E-ticaret ve pazarlama için veri analitiği: Örnek uygulamalar |
| 10 | Müşteri davranış analizi: Segmentasyon ve tahmin modelleri |
| 11 | R ile veri görselleştirme: ggplot2 ve diğer kütüphanelerin kullanımı |
| 12 | Raporlama ve karar destek sistemleri |
| 13 | Güncel veri analitiği trendleri: Büyük veri, yapay zeka ve makine öğrenimi |
| 14 | Genel tekrar ve değerlendirme: Tüm konuların kapsamlı bir analizi |
| |
| Kaynaklar: |
| Data Science for Business: What You Need to Know About Data Mining and Data-Analytic Thinking – Foster Provost & Tom Fawcett (O’Reilly Media, 2013).
|
| |
| Diğer Kaynaklar: |
| Practical Data Analysis – Hector Cuesta (Packt Publishing, 2013).
The Art of Data Science: A Guide for Anyone Who Works with Data – Roger D. Peng, Elizabeth Matsui (Leanpub, 2016). |
| |
| Öğretim Yöntem ve Teknikleri: |
| Ders haftalık olarak üç saattir ve yüz yüze sınıf ortamında yapılacaktır. Öğrencilerin değerlendirmesinde ara sınav ve final sınavının yanı sıra, ödevler de göz önünde bulundurulacaktır. Ayrıca öğrencilerin derse devam durumları da takip edilerek, dönem sonundaki nihai değerlendirmede dikkate alınacaktır. |
| |
| Değerlendirme Sistemi: |
| Yöntem | Adet | Katkı (%) |
| Ara Sınav | 1 | %30 |
| Final Sınavı | 1 | %40 |
| Ödev | 1 | %20 |
| Ders Katılımı | 1 | %10 |
| |
| Ders İşbaşı Eğitimi (iş yerinde eğitim) Gerektiriyor mu? |
| Gerektirmiyor |