Professionsbachelor (overbygning) - Anvendt Dataanalyse - Erhvervsakademiet Copenhagen Business Academy

Anvendt Dataanalyse kræver en af nedenstående korte videregående uddannelser, samt for nogle af uddannelserne en bestået optagelsesprøve for at demonstrere en tilstrækkelig statistisk matematisk forståelse. De adgangsgivende korte videregående uddannelser er således delt i to grupper: én gruppe som giver direkte adgang til Anvendt Dataanalyse og én gruppe som ved bestået optagelsesprøve har adgang.

Korte videregående uddannelser, der giver direkte adgang:

·        Financial controller
·        Finansøkonom
·        Markedsføringsøkonom

Korte videregående uddannelser, der sammen med en bestået adgangsprøve giver adgang:

·        Handelsøkonom
·        Logistikøkonom
·        Serviceøkonom
·        Administrationsøkonom
·        Laborant
·        Miljøteknolog
·        Procesteknolog
·        Designteknolog med merkantilt speciale
·        E-designer 
·        Automationsteknolog
·        Autoteknolog med merkantilt rettede valgfag
·        Produktionsteknolog

Uddannelsen giver de studerende praksisnære kompetencer inden for dataanalyse og forretningsforståelse. Virksomheder, der indsamler, bearbejder og omsætter den viden, der gemmer sig i data, vil opnå store konkurrencefordele. Med udgangspunkt i data kan dimittenden udvikle virksomhedens forretningsstrategi, produkter mv. Dimittenden kan vurdere virksomhedens datamodenhed og selvstændigt iværksætte, designe, lede og gennemføre dataprojekter. Endvidere kan dimittenden sikre, at den nye viden bliver formidlet ud i organisationen i forhold til modtagernes behov. Uddannelsen indeholder både forretningsmæssige, tekniske og procesmæssige fag, som tilsammen sikrer den studerende et solidt fundament for at bidrage tværfagligt i løsningen af virksomhedens udfordringer. Indsamling og anvendelse af data støttes af emnerne datastrategi, design og implementering af dataløsninger, teknologi, organisationsforståelse, markedsanalyse, dataforståelse og forretningsudvikling. Dimittenderne forventes at finde beskæftigelse inden for datadrevet forretningsudvikling. Dette vil være med jobtitler som dataentreprenør, forretningsanalytiker, organisationsanalytiker, finansanalytiker og produktionsanalytiker.

Generelle læringsmål for uddannelsen

Viden:

• Forstår dataforespørgselskoncepter i teori og praksis


• Forstår og kan anvende statiske begreber der bruges til  dataanalyse.


• Forstår algoritmer der anvendes i forbindelse med Machine Learning.


• Forstår og reflekterer over centrale adfærdspsykologiske principper til at vurdere indsamlet data om menneskelige handlinger.


• Vurdere og reflektere og valg af processer til dataopsamling.


• Kunne forstå sammenhænge mellem big data og data science 

Færdigheder:

• Kan vurdere praksisnære og teoretiske, tekniske, juridiske og etiks problemstillinger i forhold til data indsamling, opbevaring og behandling


• kan arbejde videnskabsteoretisk og metodisk med komplekse udviklingsprocesser inden for dataindsamling og dataanalyse.


• Kan formidle praksisnære og faglige problemstillinger inden for data analyse, samt data og forretningsbaserede løsninger til ledelse, samarbejdspartnere og brugere ved brug af datavisualisering.

Kompetencer:

• Kan håndtere komplekse dataprojekter fra et forretningsperspektiv samt facilitere udviklingsorienterede situationer der bidrager til virksomhedens datamodenhed.


• Kan beskrive og behandle data ud fra statistiske principper både manuelt og ved brug almene værktøjer i professionen.


• Kan identificere egne tekniske og merkantile læringsbehov og derved udvikle egen viden, færdigheder og kompetencer i relation til data analyse professionen.

Uddannelsens struktur og konstituerende faglige elementer

Valgfag:

• Datadrevet service, værdiskabelse og markedsføring 5 ECTS


• Projektledelse 5 ECTS

Videnskabsteori og datametode (5 ECTS)

Formål: Al produktion af data tager udgangspunkt i og er styret af holdninger, strukturer, normer, magtforhold m.m. Dette fag giver den studerende indblik i og viden om den betydningsfulde rolle, der indtages som dataanalytiker, da en virksomheds tænkning om data har betydning for mulig dataindsamlingsteknikker, metoder og analysestrategier. Faget introducerer den studerende til videnskabsteoretiske positioner samt kvalitative og kvantitative forskningsmetoder og -strategier, der er relevante for drøftelser og undersøgelser inden for dataindsamling.

Videnskabsteori og metode kvalificerer den studerende til at redegøre for og diskutere og udfordre de kvalitets- og relevanskriterier, som virksomheden benytter og dermed udvikling af disse.

Læringsmål

Viden: 

• Om grundlæggende begreber, teorier og metoder inden for videnskabsteori og metode i konkret faglig sammenhæng


• Om hvordan grundlæggende begreber, teorier og metoder traditionelt har været anvendt som strategier til dataindsamling og anvendelse.


• Om udvalgte kvalitative og kvantitative metoder og undersøgelsesstrategier samt deres potentialer.

Færdigheder:

• Kan søge, udvælge, analysere, vurdere, argumentere og formidle viden i forhold til dataindsamling samt dataanalyse ud fra et givent videnskabsteoretisk standpunkt. 


• Kan redegøre for et givet projekts metodiske problemstillinger


• Kan søge, analysere og vurdere det kvantitative og kvalitative potentiale for en given virksomheds data.

Kompetencer:

• Kan identificere problemstillinger inden for dataindsamling samt dataanalyse, der lader sig belyse ved brug af introducerede teorier og metoder.


• Kan arbejde med sit videnskabsteoretiske fundament metodisk med komplekse udviklingsprocesser inden for dataindsamling og dataanalyse.


• Kan håndtere betydning af forskellige videnskabsteoretiske positioner for håndteringen af data og dertilhørende mulige værdiskabelse for en virksomhed.

Statistik og Algoritmer (10 ECTS)

Formål: Faget statistik og algoritmer skal danne basis for forståelsen af, og beskrivelsen af den data, man arbejder med i praksis. Desuden skal den studerende opnå forståelse for, hvilke algoritmer der kan hjælpe med transformationen af data herunder hvilke fordele og ulemper de forskellige algoritmer har.

Læringsmål:

Viden: 

• Om anvendelse af Bayeisian statistisk metode


• Regressionstræers anvendelse til beskrivelse af data


• Avancerede algoritmer til maskinlæring samt:


• Naiv Baiyes 


• KNN algoritmer


• LVK (læringsvektorkvatificering)


• SVM (support vektor mekanisme)


• Bagging


• Random forrest

Færdigheder: 

• Kan vælge relevante sandsynlighedsfordelinger


• Kan foretage hypotese test


• Kan foretage klassifikationer af data


• Forstår at bruge signifikansniveauer til at beskrive kvaliteten af konklusioner


• Forstår at bruge Boosting og adaptiv boosting ifm machine learning

Kompetencer:

• Mestrer brugen af deskriptiv statistik til beskrivelse af data


• Kan foretage dimensional reduktion af data for at optimere 


• Forstår stikprøve størrelser og metoder, og deres effekt for analysers konklusioner


• Forstår og kan anvende Korrelation og regression (linear, logistics, LDA) til at understøtte anbefalinger bygget på dataanalyse.


• Kan vurdere hvilke algoritmer, der skal bruges til hvilke data

Datavisualisering (5 ECTS)

Formål: Datavisualisering er et tværfagligt forløb, der omhandler den visuelle repræsentation af data og information. Formålet er at formidle budskaber klart og effektivt ved brug af grafiske hjælpemidler.

Læringsmål:

Viden: 

• Gængse Datavisualiseringsprincipper inden for faget.


• Hvordan man bygger forretningsorienterede Dashboards til understøttelse at organisationers drift.


• Avancerede visualiseringsmetoder som eksempelvis, waffle charts, Seaborn og regressions plot, geomarkering og choropleth maps.

Færdigheder:

• Kan kommunikere datadrevne resultater visuelt


• Kan lave data plots


• Kan anvende pivottabeller til dynamisk præsentation af data


• Kan anvende specialiserede visualiseringsmetoder som eksempelvis, lagkagediagrammer, bobbel diagrammer, spredningsplot og boksplot

Kompetencer:

• Kunne tage data, som ved første øjekast ikke kan fortolkes, og formidle det så det giver mening for en person, der ikke har forudgående viden om teknikken bag.


• Forstå styrker og svagheder ved de mest alment anvendte visualiseringsteknikker. 


• Kunne anvende almene visualiseringsmetoder som eksempelvis, Linje, bar, histogrammer, arealplot, kontur plot, og populationspyramider.

Data i adfærdskontekst (5 ECTS)

Formål: Under laget af de store datamængder findes der ofte mennesker. Komplicerede, intelligente, multidimensionelle og følelsesdrevne mennesker med kognitive biases og irrationel adfærd. 

Data kan være meningsløse, medmindre de analyseres i en forståelse for denne adfærd. Faget her stiller således skarpt på den vigtige kontekst; hvordan mennesker påvirker data. Fra design af dataløsninger, beabejdelse af data, fremstilling af data, tolkning af data og datavisualisering. 

At arbejde med data i en virksomhed handler derfor ikke kun om tal og beregninger. Det handler i høj grad om at forstå den menneskelige, adfærdspsykologiske betydning for datagrundlaget, databehandlingen og udnyttelsen af den indsamlede data. 

Dette fag har til formål at give den studerende brugbar indsigt i den menneskelige psykologi og adfærd. Faget giver den studerende en grundig introduktion til en række konkrete psykologiske principper fra adfærdsvidenskab, socialpsykologi og neuromarketing til at forstå grundlaget for menneskers (ofte irrationelle) handlinger. 

Læringsmål:

Viden:

• Om relevante begreber og definitioner som bruges i forbindelse med menneskelig psykologi og adfærd


• Om og forståelsesmæssig indsigt i menneskelige adfærdsprincipper


• Om centrale adfærdspsykologi koncepter

Færdigheder:

• Kan bruge mixed methods til at indhente adfærdsmæssig data


• Kan vurdere data ud fra et adfærdspsykologisk perspektiv


• Kan vha. adfærdsdesign påvirke interessenters adfærd


• Kan inddrage adfærdspsykologiske emner i sin formidling 

Kompetencer:

• Kan vurdere data kritisk ud fra en adfærdspsykologisk forståelsesramme


• Kan kommunikere og designe løsninger ud fra sin viden om adfærdsprincipper


• Kan selvstændigt anvende konkrete, effektive og videnskabeligt beviste teknikker, der gør en forskel når der skal indsamles og analyseres data til skabelse adfærdsforandring


• Forstå og tage højde for biases hos interessenter i dataprojekter

Datakildeforståelse (5 ECTS)

Formål: I faget datakildeforståelse tages der fat om det område, der oftest bruges mest tid på i arbejdet med dataanalyse, nemlig rensningen af de rå data. Dette kræver en dyb forståelse af, hvilke datakilder der findes, hvordan de opbevares og hvordan de kan klassificeres.

Læringsmål:

Viden:

• Nuværende og potentielle datakilder i virksomheder, organisationer og offentlige institutioner


• Formål med dataanalyser i forhold til tilgængelige datakilder


• Datadrevne beslutninger


• Hvilken form data kan have - Verbale, Analoge, Digitale


• Tekniske muligheder for opbevaring af Data


• Koncepterne i Map Reduce etc. til dataindsamling og behandling


• Processen fra indsamling til analyse og insight

Færdigheder:

• Kan klassificere data


• Kan klassificere data i forhold til gængse kvalitetsparametre


• Kan identificere muligheder for automatisering af dataindsamling


• Kan transformere ustruktureret og Semi-struktureret til struktureret data

Kompetencer:

• Kan foretage Datarens på gængse datasæt i virksomheder og organisationer


• Mestrer hvordan rå data bliver gjort brugbare for analyse

Intro til Dataforespørgsler (5 ECTS)

Formål: For at kunne behandle og bearbejde data vil der altid være et vist behov for at indhente eksisterende data. Disse vil befinde sig i forskellige databaser. I faget ”intro til dataforespørgsler” vil den studerende lære at forespørge, via gængse scripting/programmeringssprog. Der vil også være en introduktion til maskinlæring som koncept til dataforespørgsel.

Læringsmål:

Viden:

• Anvende korrekt teori og metode med Microsoft Excel til at udforske data


• Benytte T-SQL til at lave forespørgsler i en relationel database


• Oprette (create) data modeller og visualisere data ved brug af Microsoft Excel eller Microsoft Power BI


• Anvende statistiske metoder på data

Færdigheder:

• Anvende fagområdets metoder og redskaber til at undersøge og transformere data


• Grundlæggende forståelse for Python taksonomi


• Oprette (create) og validere maskinlæringsmodeller ved brug af en eksisterende maskinlæringsinfrastruktur 


• Benytte R eller Python til at lave maskinlæringsmodeller

Kompetencer:

• Anvende datavidenskabelige teknikker på gængse scenarier


• Implementere en maskinlæringsløsning til et givet data videnskabeligt problem

Datasystemkrav og specificering (5 ECTS)

Formål: med faget er, at gøre den studerende i stand til at indgå virksomheders dataprojekter som nøgleperson. Dette er specifikt i forhold til identificering af systemmæssige behov på software og arkitektur således de matcher virksomhedens data og ønsker om data ”insights”

Læringsmål:

Viden:

• Forskellene og skæringsfladerne mellem Big Data og Data Science


• Centrale emner inden for Big Data arkitektur


• Klassificering af Big Data og identificering af forretningsområder baseret på Big Data data-typer


• Hvordan en Big Data tilgang kan influere en eksisterende Data Governance struktur


• De forskellige arkitektoniske lag i en big data løsning

Færdigheder:

• Kan identificere om en Big Data tilgang er det rigtige for en given problemstilling og virksomheden 


• Kan anvende teori og praksis til at vurdere hvilke insights (data science) det er muligt at generere ud fra eksisterende data


• Kan arbejde med atomare og sammensatte mønstre til Big Data løsninger

Kompetencer:

• At vurdere om virksomhedens datakompleksitetsgrad ændres og i hvilken retning


• Anvende et løsningsmønster til et Big Data problem og udvælge passende produkter der skal implementeres til løsningen

Datajura & Etik (5 ECTS)

Formål: at gøre studerende i stand til vurdere centrale juridiske aspekter og problemstillinger vedrørende indsamling, anvendelse, analyse mv. af data, samt forholde sig til dataetiske overvejelser.

Læringsmål:

Viden:

• Juridisk metode


• Grundlæggende emner indenfor:
  1.    Persondataret
  2.    Ophavsret 
  3.    Relevante bestemmelser i straffeloven
  4.    Retsplejeloven
  5.    Markedsføringsloven
  6.    Tilstødende lovgivning, bl.a. EU-ret


• Hvilke myndigheder, der er relevante og deres rolle i forhold til dataindsamling, opbevaring og behandling 


• Reglerne for indsamling, behandling og opbevaring i forhold til GDPR


• Etiske teorier og argumentation

Færdigheder:

• Kunne anvende de dataetiske principper på centrale problemstillinger:


• Mennesket i centrum


• Individuel datakontrol


• Gennemskuelighed


• Ansvarlighed


• Ligeværdighed

Kompetencer:

• Kunne vurdere konkrete eksempler på dataindsamling i juridisk kontekst. 


• Kunne vurdere konkrete eksempler på dataindsamling ud fra etiske perspektiver.

Procesanalyse (5 ECTS)

Formål: at give den studerende en dyb forståelse for forretnings- og organisatoriske processer. Denne procesforståelse gør den studerende i stand til at identificere målepunkter i processer. Disse målinger gør studerende i stand til at reflektere over effektiviteten og kvaliteten af processerne, så den studerende kan komme relevante anbefalinger til forandringsprocesser.

Læringsmål:

Viden:

• Forretningscase for procesoptimering 


• Attributter for kvalitetsprocesser og hvad der påvirker disse


• De mest almene modelleringsteknikker såsom:
  - ANSI
  - Swim lane
  - Business process diagrams 
  - UML
  - SIPOC
  - Value Stream Maps

Færdigheder:

• Kunne identificere formål og i samarbejde opstille mål for procesanalysen


• Evaluerer processers effektivitet 


• Kunne lave kausalanalyser, inklusiv bruge Ishikawa (fishbone) og Pareto diagrammer.

Kompetencer:

• Dekomponere komplekse processer til subprocesser og opgaver ved brug af blandt andet dekompositionsdiagrammer


• Evaluere og prioritere potentielle procesoptimeringer


• Identificere en virksomheds kerneprocesser og vigtigste interessenter

Organisatorisk datamodenhedsanalyse (5 ECTS)

Formål: Dette fag er en introduktion til dataanalyseområdet og har til formål at give den studerende forståelse for de strategiske forretningsmuligheder sammen med mulighederne ved brug af data. Faget giver en teoretisk introduktion til samspillet imellem forretning, mennesker og teknologi og de særegne karakteristika som den enkelte organisation har, som er udgangspunktet for forretningsudviklingsprojekter med data.

Den studerende får en forståelse for begreber og definitioner, samt en forretningsmæssig indgang til, hvorfor data kan gøre en forskel, og hvordan data analyseres og fortolkes forretningsmæssigt.

Læringsmål:

Viden:

• Begreber og definitioner som bruges i forbindelse med Big Data og forretningsudvikling med data og dataanalyse 


• Sammenhæng imellem forretningsstrategi og brug af data til planlægning eller optimering af interne forretningsprocesser


• datadreven forretningsudvikling, herunder specifikke tendenser i serviceindustrien


• datamodenhedsanalyse ud fra en standard ramme og praktiske eksempler

Færdigheder:

• Kan vurdere organisationer i forhold til hvor udbredt brug af data er - modenhedsvurdering


• Kan vurdere i hvilke dele af en organisation yderlig brug af data vil give skabe værdi


• Kan sammenligne en organisations datamodenhed med andre organisationer eller med markedet og udpege forskelle og forbedringsmuligheder

Kompetencer:

• Kan identificere mulighederne ved brug af data ud fra praktiske, komplekse eksempler og strategiske perspektiver på forretningsudvikling med data


• kan drage paralleller fra disse praktiske eksempler til egne observationer og reflektioner

Service, værdiskabelse og strategisk markedsføring (5 ECTS)

Formål: Dette fag har en holistisk tilgang til værdiskabende aktiviteter for virksomhedens kunder og øvrige interessenter. Relationer betragtes som en afgørende ressource i opgaven med at skabe værdi, baseret på forståelsen af behov, analyse og i en fælles udvikling. 

Faget udfordrer eksisterende forretningsmodeller og introducerer nye måder at tænke tilfredsstillelse af kundebehov og leverance.

Den studerende vil med dette fag kunne bygge oven på eksisterende kundskaber i markedsføring, få en bredere forståelse for markedsføringens rolle som værdiformidler, lære at træffe beslutninger med udgangspunkt i kundebehov samt tilpasse eller udvikle nye forretningsmodeller.

Læringsmål:

Viden:

• markedsføring i teori og praksis set i et bredere perspektiv


• strategiske perspektiver i gængse forretningsmodeller 

Færdigheder:

• kan vurdere og anbefale løsninger på markedsføringsmæssige udfordringer, som bygger på fagets teoretiske indhold og praktiske erfaringer/cases.


• kunne deltage kritisk og konstruktivt i tilrettelæggelsen af værdiskabende markedsføringsaktiviteter som tilgodeser alle interessenter.

Kompetencer:

• kan udvikle konkurrencedygtige forretningsmodeller med fokus på kundebehov og leverance baseret på virksomhedens eksisterende data 

Projektledelse (5 ECTS)

Formål:  at den studerende tilegner sig viden, færdigheder og kompetencer til at varetage opgaven som leder af projekter, projektorganisering og de særlige strukturelle, kulturelle og relationelle vilkår, som kendetegner projekter.   

Læringsmål:

Viden: 

Den studerende har viden om og forståelse af 

• teorier, begreber og metoder om projektledelse og kunne reflektere over anvendt praksis hermed. 

Færdigheder: 

Den studerende har færdigheder til at 

• anvende metoder og redskaber vedrørende projektledelse med afsæt i viden om organisationen, relationer og projektets øvrige vilkår. 


• formidle og vurdere konkrete projekters ledelsesmæssige opgaver og skabe fremdrift i egne projekter. 

Kompetencer: 

Den studerende kan 

• varetage ledelse af projekter i forhold til virksomhedens og organisationens mål, drift, interessenter, økonomi, værdier mv.  


• udvikle egen praksis i forbindelse med projektledelse. 

Økonomisk-Merkantil taxameterindplacering. Størstedelen af læringsmålene er placeret under det Økonomisk-Merkantile område (35 ECTS af 55 ECTS nationale fagelementer - eksklusiv praktik, bachelorprojekt og valgfag)

Behovet for denne uddannelse blev vurderet og dokumenteret af EA Dania i 2019 ud fra rapporter fra førende analyseinstitutter samt gennem kvantitative og kvalitative undersøgelser.

Cphbusiness' behovsanalyse baserer sig dels på Danias behovsundersøgelse fra 2019 samt på en egen tillægsundersøgelse fra foråret 2020. Cphbusiness' egen behovsundersøgelse bekræfter, at det udækkede behov for kompetencer indenfor dataanalyse fortsat er udtalt, og at behovet er mindst lige så stort i Storkøbenhavn som i EA Danias dækningsområde.

EA Dania søgte uddannelsen samt et udbud af uddannelsen i foråret 2019. 

Behovsafdækningen fra 2019 viste et stort udækket behov for kompetencer inden for anvendt dataanalyse. Eftersom digitalisering, indsamling og analyse af data er en global tendens, vurderer Cphbusiness, at der også vil være et stort udækket behov i Storkøbenhavn, som er vores dækningsområde.

I forbindelse med ansøgningen i 2019 gennemførte Dania en spørgeskemaundersøgelse med 110 besvarelser. 43 af besvarelserne kom fra virksomheder i Cphbusiness’ dækningsområde; Storkøbenhavn. Cphbusiness har fået adgang til dette datasæt samt yderligere to spørgeskemaer, som var blevet besvaret efter deadline på Danias undersøgelse. Derfor udgør antallet af besvarede spørgeskemaer fra Dania i Cphbusiness dækningsområde nu 45 virksomheder.

Nedenstående er en gennemgang af resultaterne fra de 45 besvarelser fra Cphbusiness’ dækningsområde.

Respondenterne mener i høj grad at uddannelsen er relevant. 86,5% har svaret ja til dette spørgsmål uden forbehold, mens 13,5% mener, at uddannelsen er relevant, men har nogle kommentarer til uddannelsens indhold, som Dania har brugt i udviklingen af uddannelsen. Ingen af de adspurgte har svaret, at uddannelsen ikke er relevant.

Lige i omegnen af ¾ af respondenterne (73,5%) kan ud fra beskrivelsen af uddannelsen og dimittendens kompetencer se et behov for at ansætte en dimittend inden for 2 år.

60% tilkendegiver, at de vil være interesserede i at tage praktikanter fra uddannelsen inden for de næste to år og 6,5% angiver, at de vil kunne tage praktikanter inden for de næste 3-5 år. 33,5% angiver, at de ikke vil kunne tage praktikanter fra uddannelsen.

I forbindelse med denne ansøgning, har Cphbusiness gennemført en tillægsundersøgelse, fordi den ovenfor omtalte undersøgelse på nuværende tidspunkt er mere end et år gammel.

Tillægsundersøgelsen havde dels til formål at bekræfte, at der fortsat er et behov for uddannelsen til dataanalytiker i Storkøbenhavn, dels at supplere Danias undersøgelse, som havde 45 besvarelser i København. Tillægsundersøgelsen blev sendt ud til 325 virksomheder i Cphbusiness’ dækningsområde d. 23. marts 2020. Ud af de 325 har 52 virksomheder besvaret spørgeskemaet. Den meget lave svarprocent (16%) skyldes, at spørgeskemaet blev sendt i begyndelsen af nedlukningen på grund af Corona-pandemien, hvor mange af de brancher, vi sendte spørgeskemaet til, var præget af stor usikkerhed. På grund af dette og for ikke at presse virksomhederne yderligere, har vi kun sendt rykkere til få af de virksomheder, som ikke har svaret. Vi valgte at sende rykkere til de virksomheder, herunder IT-virksomheder, som vi vurderede i mindre grad ville være påvirkede af nedlukningen, mens virksomheder inden for eksempelvis service og oplevelse, retail og detailhandel, som i høj grad har været påvirket af nedlukningen, ikke fik rykkermails.

På spørgsmålet om, hvorvidt uddannelsen vurderes relevant for det fremtidige arbejdsmarked, svarer 96,2% ja mens 3,8% svarer ’ved ikke’. Ingen af de adspurgte svarer ’nej’.

På spørgsmålet om, hvorvidt respondenten vurderer, om det vil være relevant at ansætte en kandidat fra uddannelsen, svarer 59,2% ja, 12,2% svarer måske, 14,3 svarer ja, men på sigt og 14,3% svarer nej.

Endelig har virksomhederne svaret på, om de kunne forestille sig at tage en praktikant fra denne uddannelse. Her har 78,4% svaret ja, 9,8% har svaret måske og 9,8% har svaret nej. 2% har svaret ’ved ikke’.

Konklusionen på disse tal er, at der fortsat er et stort behov for uddannelsen, og at situationen er uændret i forhold til 2019, hvor Dania gennemførte deres undersøgelse. Ligeledes viser denne tillægsundersøgelse, at behovet for dimittender med denne uddannelsesbaggrund, er mindst lige så stort i Københavnsområdet som på landsplan.

Vi forventer at optage to hold på hver 30 studerende på uddannelsen.

Behovsundersøgelsen anvender spørgeskema fra Danias undersøgelse og en tillægsundersøgelse, der samlet set spørger 97 virksomheder, svarer omkring 80 virksomheder, at de er interesserede i at ansætte en dimittend.

Uddannelse er primært målrettet små og mellemstore virksomheder og er ikke branchespecifik, eftersom virksomheder i alle brancer indsamler og anvender data. Ifølge et træk fra Danmarks Statistik var der i 2017 ca 6400 små og mellemstore virksomheder i Cphbusiness' dækningsområde.

Derfor er det vores vurdering, at det ikke bliver vanskeligt at finde praktik- og aftagervirksomheder til 60 dimittender pr år fra januar 2023.

Behovsundersøgelsen er gennemført på baggrund af to spørgeskemaundersøgelser, hvoraf den ene blev gennemført af Dania i forbindelse med uddannelsesansøgningen i 2019, og den anden blev gennemført i foråret 2020.

Dania har i deres undersøgelse haft tæt kontakt til erhvervslivet i udviklingen af uddannelsen og har her ud over gennemført en spørgeskemaundersøgelse, hvoraf 45 af respondentvirksomhederne er beliggende i vores dækningsområde. Her ud over har vi gennemført en tillægsundersøgelse i 2020 blandt vores egne praktikvirksomheder, der i store træk har bekræftet behovet for uddannelsen.

De uddannelser, der i større eller mindre grad er relaterede til Anvendt Dataanalyse, er:

Bachelor i Datavidenskab på Aalborg Universitet og Aarhus Universitet.

Bachelor i Machine Learning & Big Data på Københavns Universitet.

Bachelor i Data Science på IT Universitetet i København

Professionsbachelor i Økonomi & Informationsteknologi på Københavns Erhvervsakademi, Erhvervsakademi Aarhus og University College Lillebælt

I ovenstående skema: ÷ markerer, at fagelementet mangler i den relaterede uddannelse. (÷) markerer, at dele af fagelementet muligvis findes i andre fagelementer i den relaterede uddannelse (se vedhæftede Behovsanalyse for uddybelse)

Bachelor i Datavidenskab på Aalborg Universitet er en langt mere teknisk og teoretisk uddannelse end Anvendt Dataanalyse, og i vores optik vil det kun være i meget store virksomheder, at en så specialiseret profil vil kunne bruges. Uddannelsen mangler derudover hele forretningsforståelsen, som i Anvendt Dataanalyse opnås i modulerne Datakildeforståelse, Procesanalyse og Organisatorisk Datamodenhedsanalyse. Yderligere beskæftiger uddannelsen sig slet ikke med det adfærdsperspektiv, som opnås i modulet Data i Adfærdskontekst.

Bachelor i Machine Learning & Big Data på Københavns Universitet er en næsten ren teknisk uddannelse, og på samme vis som Datavidenskab mangler denne uddannelse både det forretningsperspektiv, adfærdsperspektiv samt etik og jura perspektivet som er del af PB top-up uddannelsen i Anvendt Dataanalyse.

Bachelor i Data Science på IT Universitetet i København mangler, i forhold til Anvendt Dataanalyse, adfærdsperspektivet. Problematikken med denne uddannelse er også, at man med valget af enten et forretningsorienteret spor eller et teknisk spor også fravælger noget; såsom kompetencer inden for datakildeforståelse på det tekniske spor og kompetencer inden for datasystemkrav og specificeringer på det forretningsorienterede spor. Bacheloren i Data science er teoretisk uddannelse og har ikke den styrke, der ligger i kombinationen med en fagspecifik grunduddannelse (KVU).

Fælles for alle tre ovenfor nævnte uddannelser er, at der er tale om akademiske og ikke praksisnære uddannelser. Dimittenderne fra disse uddannelser vil derfor have en anden og mindre praktisk problemløsende tilgang til de arbejdsopgaver, der skal løses i virksomhederne.

Professionsbachelor i Økonomi & Informationsteknologi på Københavns Erhvervsakademi, Erhvervsakademi Aarhus og University College Lillebælt er ikke decideret data-fokuseret. I denne uddannelse ses flere lignende grundelementer, men kompetencerne er rettet mod helt andre formål end i Anvendt Dataanalyse.

Alle de relaterede uddannelser er nye uddannelser, og de har derfor ikke aktuel dimensionering, og de er kendetegnet ved lav dimittendledighed.

Ansøgere til uddannelsen bliver dimittender fra adgangsgivende erhvervsakademiuddannelser. Fra vores egen uddannelsesportefølje forventer vi særligt at optage studerende med baggrund som markedsføringsøkonom, serviceøkonom, handelsøkonom finansøkonom og financial controller. Særligt handels- og finansøkonom samt financial controller mangler videreuddannelsesmuligheder i dag. 

De relaterede uddannelser er alle fulde bachelors/professionsbachelors, og da denne uddannelse er en professionsbachelor overbygning, forventes det ikke, at det vil have konsekvenser for disse uddannelsers optag.

Der er på nuværende tidspunkt ikke lavet endelige aftaler om mulighederne for at læse videre.

Cphbusiness samarbejder allerede i dag med både DTU, ITU og CBS om videreuddannelsesmuligheder på andre professionsbacheloruddannelser.

En oplagt videreuddannelsesmulighed for dimittender ville være kandidatuddannelser inden for det erhvervsøkonomiske (samfundsfaglige felt), hvor IT og forretningsforståelse kombineres. Eksempler herpå er: Business administration and information systems (CBS), Cand. Merc Business intelligence (CBS) og Digital innovation og management (ITU).

2021: to hold á 30 studerende

2022: to hold á 30 studerende

2023: to hold á 30 studerende

Som det fremgår af den vedhæftede behovsanalyse, er der en stor efterspørgsel på dimittender med de kompetencer, som uddannelsen i dataanalyse giver.
I forbindelse med denne behovsanalyse har vi anvendt besvarelser fra to spørgeskemaer:
1. I Danias spørgeskema fra 2019 tilkendegiver 60%, at de vil kunne tage praktikanter indenfor de næste to år og 6,5% tilkendegiver, at de vil kunne tage praktikanter indenfor de næste 3-5 år.
2. I vores egen tillægsundersøgelse fra 2020 tilkendegiver 78%, at de er interesserede i at tage praktikanter fra uddannelsen, 10% svarer måske og 10% siger, at de ikke er interesseret i praktikanter.

Som nævnt i behovsundersøgelsen, findes der ca. 6400 SMV'ere i vores dækningsområde, som vil kunne aftage praktikanter fra uddannelsen. Uddannelsen henvender sig i øvrigt også til større virksomheder, som også vil kunne tage praktikanter.

Cphbusiness er i øvrigt Danmarks største erhvervsakademi og vi har hvert år mere end 2000 studerende i praktik. Derfor har vi også solid erfaring med at finde praktikplads til de studerende, hvorfor vi mener, at det vil være muligt at finde praktikpladser til alle studerende.