Datu lasītprasmes, kritiskās un analītiskās domāšanas pamati

Veidot padziļinātu izpratni par datu lietderību un pārvaldīšanu. Gūstot praktiskas iemaņas datu kvalitātes novērtēšanā un biežāk sastopamo problēmu novēršanā, tiek radīta izpratne par to, kā pieņemt datos balstītus lēmumus, vienlaikus attīstot kritisko domāšanu.

Mācības ir paredzētas uzņēmumu vadītājiem, produktu un pakalpojumu vadītājiem, konsultantiem, projektu vadītājiem un tiem, kuri ir iesaistīti kāda no šiem procesiem:

• datu ievade;
• datu labošana un pārveidošana;
• atskaišu veidošana, datu analīze;
• rezultātu prezentēšana;
• analīzes rezultātu aplūkošana.

• Analizēt datus (pamatiemaņas datu analīzē);
• Novērtēt datu kvalitāti un novērst biežāk sastopamās problēmas;
• Izvērtēt datu analīzes rezultātus un novērtēt to objektivitāti;
• Uzdot pareizos jautājumus un pamatot savu datos balstīto viedokli.

Vēlamas pamatzināšanas darbā ar Microsoft Excel.

Latviešu valodā izstrādāti BDA mācību materiāli, kas ietver gan teorijas daļu, gan praktiskos uzdevumus.

Nav paredzēts sertifikācijas eksāmens.

1. Kas ir dati, kāpēc tie nepieciešami, kā tie var sniegt vislielāko labumu un kāda loma tajā ir data literacy prasmēm.
2. Datu iegūšanas un uzglabāšanas veidu pārskats. Piemēri par to, kādus ieguvumus to izmantošana sniedz dažādās situācijās. Datu ieraksti un struktūras – kvalitatīvas datu analīzes veikšanai. Biežāk sastopamās problēmas un to novēršana.
3. Datu kategorizēšana un ar to saistīto analīzes rezultātu piemēri.
4. Datu vizualizācija un tās loma datu analīzē.
5. Kritiskās domāšanas pamati un biežāk sastopamās problēmas, kas traucē iegūt objektīvus analīzes rezultātus.
6. Biežāk sastopamās problēmas datu vizualizāciju un statistikas izmantošanā.
7. Pamatiemaņas gan analīzes veidotājam, gan analīzes rezultātu lietotājam, lai novērstu problēmas un maldinošu secinājumu iegūšanu.
8. Datu analīzes un statistikas pamati.
9. Datu kopsakarību vai neiederīgu lielumu atrašana. Ar tiem saistīti praktiskie piemēri un risinājumi problemātisku situāciju novēršanai.
10. Izpratne par datu kopas sadalījumu un izmantošanu datu novērtēšanā.
11. Dažādu datu nepilnību atrašana un labošana (piemēram, trūkstošās vērtības vai dublikāti, datu analīzei neparocīga struktūra).