Ansøgning om prækvalifikation af videregående uddannelser

Anvendt Dataanalyse

Erhvervsakademiet Dania
31/01-2019 14:47
2019-1
Godkendt
Ansøgningstype
Ny uddannelse

Udbudssted
Viborg

Kontaktperson for ansøgningen på uddannelsesinstitutionen
Claus Grand Bang. tlf. 61953512 email: clol@eadania.dk

Er institutionen institutionsakkrediteret?
Ja

Er der tidligere søgt om godkendelse af uddannelsen eller udbuddet?
Nej

Uddannelsestype
Professionsbachelor (overbygning)

Uddannelsens fagbetegnelse på dansk fx. kemi
Anvendt Dataanalyse

Uddannelsens fagbetegnelse på engelsk fx. chemistry
Applied Data Analysis

Den uddannedes titel på dansk
Professionsbachelor i Anvendt Dataanalyse

Den uddannedes titel på engelsk
Bachelor's Degree Programme in Applied Data Analysis

Hvilket hovedområde hører uddannelsen under?
Det økonomisk-merkantile område

Hvilke adgangskrav gælder til uddannelsen?

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 beståelse optagelsesprøve har adgang.


Korte videregående uddannelser, der giver direkte adgang:



  • Finansiel 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


Er det et internationalt uddannelsessamarbejde, herunder Erasmus, fællesuddannelse og lign.?
Nej

Hvis ja, hvilket samarbejde?

Hvilket sprog udbydes uddannelsen på?
Dansk

Er uddannelsen primært baseret på e-læring?
Nej

ECTS-omfang
90

Beskrivelse af uddannelsens formål og erhvervssigte

Baggrund


Datamængderne er hastigt voksende, og virksomheder har adgang til mere og mere data. De virksomheder, der forstår at indsamle, bearbejde og omsætte den viden, der gemmer sig i disse data, vil opnå store konkurrencefordele. Beslutninger om fremtiden skal tages på baggrund af data og ikke mavefornemmelser.


Derfor er der behov for at uddanne en ny type medarbejder, der kan håndtere, analysere, og operationalisere store mængder data, så data i højere grad bliver en del af virksomhedens beslutningsgrundlag.


Uddannelsen og erhvervssigte


Dimittender fra uddannelsen kan med udgangspunkt i data udvikle virksomhedens forretningsstrategi, dens produkter, service mv.


Den færdiguddannede kan vurdere virksomhedens datamodenhed og selvstændigt iværksætte, designe, lede og gennemføre dataprojekter, der udvikler eksisterende og nye data til handlingsparametre.


Endvidere kan den færdiguddannede sikre, at den nye viden bliver formidlet ud i organisationen, visualiseret og differentieret 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.


Uddannelsens fokus er på indsamling og anvendelse af data, og støttes på et videregående uddannelsesniveau af emnerne datastrategi, design og implementering af dataløsninger, teknologi og løsninger, organisationsforståelse, markedsanalyse, dataforståelse og forretningsudvikling.


Uddannelsen er udviklet med henblik på at give de studerende nogle langt mere praksisnære kompetencer inden for dataanalyse og forretningsforståelse end det er tilfældet i de relaterede uddannelser, der allerede eksisterer.  


Dimittenderne forventes at finde beskæftigelse inden for datadrevet forretningsudvikling. Dette vil være med jobtitler som dataentreprenør, forretningsanalytiker, organisationsanalytiker, finansanalytiker og produktionsanalytiker. I databasen Arbejdsmarkedsbalancen findes titler såsom IT-konsulent, erhvervsanalytiker IT-kvalitetsmedarbejder, produktspecialist og forretningsudvikler med gode jobmuligheder, som ville kunne varetages af dimittender fra Anvendt Dataanalyse.


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


































































































Fagfelt Fag ECTS
Analyse    
  Videnskabsteori & data-metode 5
  Statistik & algoritmer 10
  Datavisualisering 5
  Data i adfærdskontekst 5
IT    
  Datakildeforståelse 5
  Intro til dataforespørgsler 5
  Datasystemkrav og specificeringer 5
Merkantil    
  Datajura & Etik 5
  Procesanalyse 5
  Organisatorisk datamodenhedsanalyse 5
Alm    
  Praktik 15
  Bachelorprojekt 15
  Valgfag 5
Total   90


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,

  • Formål med dataanalyser i forhold til tilgængelige datakilder



  1. ◦ Datadrevne beslutninger



  • Hvilken form data kan have



  1. ◦ 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:

  • 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: 



  • Det er målet, at den studerende har viden om og forståelse af 

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


Færdigheder: 



  • Det er målet, at 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: 



  • Det er målet, at 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. 


Begrundet forslag til taxameterindplacering

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)


Forslag til censorkorps
Det censorkorps, der er tilknyttet de Økonomisk-Merkantile uddannelser

Dokumentation af efterspørgsel på uddannelsesprofil - Upload PDF-fil på max 30 sider. Der kan kun uploades én fil.
Behovsanalyse - PB overbygning i Anvendt Dataanalyse.pdf

Kort redegørelse for det nationale og regionale behov for den nye uddannelse

Behovet for denne uddannelse er vurderet og dokumenteret ud fra rapporter fra førende analyseinstitutter, der tydeligt viser et voksende behov for medarbejdere med disse kompetencer i det danske erhvervsliv. Herudover har vi afdækket behovet, nationalt og regionalt, gennem både kvantitative og kvalitative undersøgelser. Se vedhæftede behovsanalyse for uddybelse og resultater.


Underbygget skøn over det nationale og regionale behov for dimittender

Eftersom Erhvervsakademi Dania til at starte vil være de eneste udbydere af uddannelsen, uddanner vi dimittender til at dække et nationalt behov.


79% af virksomhederne i vores kvantitative undersøgelse forventer at ansætte en dimittend fra uddannelsen inden for få år (se vedhæftede behovsanalyse). Vi forventer at optage 40 studerende om året på sigt, da dette vil matche virksomheder som har markeret, at de står med et aktuelt behov for dimittender med disse kompetencer (vil ansætte dimittender fra uddannelsen inden for 1 år).


Hvilke aftagere har været inddraget i behovsundersøgelsen?

Se vedhæftede behovsanalyse for uddybelse


Hvordan er det konkret sikret, at den nye uddannelse matcher det påviste behov?

Vi har igennem hele behovsafdækningen og udviklingen af uddannelsen samarbejdet tæt med eksperter på området fra det danske erhvervsliv. Uddannelsen er udviklet på baggrund af møder og workshops mellem involverede parter med kendskab til virksomheders behov og efterspørgsler. Yderligere er uddannelsen udviklet på baggrund af kvantitative og kvalitative undersøgelser, der dokumenterer, hvilke kompetencer inden for området, der efterspørges i erhvervslivet. (se vedhæftede behovsanalyse for uddybelse).


Beskriv ligheder og forskelle til beslægtede uddannelser, herunder beskæftigelse og eventual dimensionering.

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



  • Bachelor i Datavidenskab på Aalborg Universitet (uddannelsen er ny og ikke startet i praksis på nuværende tidspunkt)

  • Bachelor i Machine Learning & Big Data på Københavns Universitet (uddannelsen er ny og ikke startet i praksis på nuværende tidspunkt)

  • Bachelor i Data Science på IT Universitetet i København

  • Professionsbachelor i Økonomi & Informationsteknologi på Københavns Erhvervsakademi og Erhvervsakademi Aarhus





















































































































  Uddannelser Bachelor i Datavidenskab - AAU Bachelor i Machine Learning & Big Data - KU Bachelor i Data Science - ITU Professionsbachelor I Økonomi & IT – KEA, AE
Moduler på Anvendt Analyse          
Videnskabsteori & Data-metode           
Statistik & Algoritmer         (÷)
Datavisualisering     (÷)   (÷)
Data i Adfærdskontekst   ÷ ÷ ÷ ÷
Datakildeforståelse   ÷ ÷ (÷) (÷)
Intro til Dataforespørgsler     ÷
 
Datasystemkrav & Specificeringer     ÷ (÷)  
Datajura & Etik
(÷) ÷ (÷) (÷)
Procesanalyse   ÷ ÷ (÷) (÷)
Organisatorisk Datamodenhedsanalyse
÷ ÷ ÷ ÷
Praktik   ÷ ÷ ÷  
           

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 og Erhvervsakademi Aarhus 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.


(se matrix-skema i vedhæftede Behovsanalyse for yderligere overblik over, hvor de relaterede uddannelser adskiller sig fra Anvendt Dataanalyse)

Rekrutteringsgrundlag og videreuddannelsesmuligheder

Ansøgere til uddannelsen forventes at være dimittender fra adgangsgivende korte videregående uddannelser.


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. Der er dog en pågående dialog med AU og et par udenlandske universiteter. 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 (AU).


Forventet optag på de første 3 år af uddannelsen

1. år: 20 studerende


2. år: 30 studerende


3. år: 40 studerende


Hvis relevant: forventede praktikaftaler

I vores kvantitative undersøgelse svarede 71% af respondenterne, at de er interesserede i at få en studerende fra uddannelsen i praktik, og 56% af disse svarede, at det allerede vil være en mulighed inden for 1 år (se vedhæftede behovsanalyse). Vi forventer derfor ikke, at det bliver problematisk at få lavet praktikaftaler for uddannelsens studerende.


Øvrige bemærkninger til ansøgningen

Denne ansøgning samt vedhæftede behovsanalyse er lavet med støtte fra CPHbusiness, som ligeledes forventer på et senere tidspunkt at søge om udbud af uddannelsen, og på den måde bedre understøtte det nationale behov for dimittender med disse kompetencer.


Hermed erklæres, at ansøgning om prækvalifikation er godkendt af institutionens rektor
Ja

Status på ansøgningen
Godkendt

Ansøgningsrunde
2019-1

Afgørelsesbilag - Upload PDF-fil
A12 - Godkendelse af ny uddannelse - PB i anvendt dataanalyse - EA Dania (Viborg).pdf

Samlet godkendelsesbrev - Upload PDF-fil