Основи аналітики даних

Анотація

На сучасному етапі розвитку IT технологій всі більше компаній переходять на сучасні програми для аналітики та звітності, такі як наприклад, Power BI. Аналітик в IT-компанії працює з даними, і на основі них знаходить інсайти, причинно-наслідкові зв’язки, точки росту для бізнесу, слабкі місця. Цією інформацією потім користуються продакт-менеджери, маркетологи, СЕО та інші спеціалісти компанії. У бізнесі є потреба постійного моніторингу ключових метрик: дохідність користувача (LTV), відсоток користувачів, які платять за продукт, або звичайний рівень конверсії у цільову дію. Тож якісна аналітика напряму впливає на прибуток і грошові потоки бізнесу, адже її метою є збільшення прибутку та оптимізація окупності затрат (ROI — Return on Investment). методом експертних оцінок — рішення приймаються, спираючись на досвід спеціаліста, його кваліфіковану думку. Основна вада такого підходу в тому, що кожній людині, в силу особистого досвіду та світогляду, притаманне когнітивне спотворення дійсності; data-driven підходом — рішення приймаються, базуючись на аналітиці даних. Цей підхід дозволяє підтвердити або заперечити експертну оцінку та уникнути неякісних рішень, спричинених когнітивним спотворенням.

Веб-аналітика

Веб-аналітика – це вимірювання, збір, аналіз і звітування веб-даних для розуміння й оптимізації використання Інтернету. Веб-аналітика – це не просто процес вимірювання веб-трафіку, але може використовуватися як інструмент для дослідження бізнесу та ринку, а також оцінки та підвищення ефективності веб-сайту. Додатки веб-аналітики також можуть допомогти компаніям оцінити результати традиційних друкованих або трансляційних рекламних кампаній. Його можна використовувати для оцінки того, як змінюється трафік на веб-сайт після запуску нової рекламної кампанії. Веб-аналітика надає інформацію про кількість відвідувачів веб-сайту та кількість переглядів сторінок. Це допомагає оцінити тенденції трафіку та популярності, що корисно для дослідження ринку.

Основні етапи процесу веб-аналітики

Більшість процесів веб-аналітики зводяться до чотирьох основних етапів або кроків:Збір даних: Цей етап – збір основних, елементарних даних. Зазвичай ці дані є підрахунками. Метою цього етапу є збір даних.Обробка даних в інформацію: на цьому етапі зазвичай береться підрахунок і формується їх співвідношення, хоча деякі підрахунки все ж можуть бути. Метою цього етапу є отримання даних і узгодження їх з інформацією, зокрема метриками.Розробка KPI: на цьому етапі зосереджено на використанні коефіцієнтів (і підрахунків) та наповненні їх бізнес-стратегіями, які називають ключовими показниками ефективності (KPI). Багато разів KPI стосуються аспектів конверсії, але не завжди. Це залежить від організації.Формулювання онлайн-стратегії: Цей етап стосується онлайн-цілей, завдань і стандартів для організації чи бізнесу. Ці стратегії зазвичай пов’язані із зароблянням грошей, заощадженням грошей або збільшенням частки ринку.Іншою важливою функцією, розробленою аналітиками для оптимізації веб-сайтів, є експерименти Експерименти та тестування: A/B-тестування – це контрольований експеримент із двома варіантами в онлайн-налаштуваннях, наприклад веб-розробка.Мета A/B-тестування полягає в тому, щоб визначити та запропонувати зміни до веб-сторінок, які підвищують або максимізують ефект статистично перевіреного результату, який цікавить.Кожен етап впливає або може вплинути (тобто стимулювати) на етап, що передує або слідує за ним. Тому іноді дані, які доступні для збору, впливають на онлайн-стратегію. В інших випадках онлайн-стратегія впливає на зібрані дані.

Технології веб-аналітики

Існує принаймні дві категорії веб-аналітики: веб-аналітика поза сайтом і веб-аналітика на сайті.Веб-аналітика за межами сайту відноситься до веб-вимірювання та аналізу незалежно від того, чи є особа власником веб-сайту чи підтримує його. Він включає вимірювання потенційної аудиторії веб-сайту (можливості), частки голосу (видимості) та галасу (коментарі), що відбувається в Інтернеті в цілому.Веб-аналітика на сайті, більш поширена з двох, вимірює поведінку відвідувача один раз на певному веб-сайті. Це включає його драйвери та перетворення; наприклад, ступінь пов’язаності різних цільових сторінок з покупками в Інтернеті. Веб-аналітика на місці вимірює ефективність конкретного веб-сайту в комерційному контексті. Ці дані зазвичай порівнюються з ключовими показниками ефективності та використовуються для покращення реакції аудиторії веб-сайту або маркетингової кампанії. Google Analytics і Adobe Analytics є найбільш широко використовуваними послугами веб-аналітики на сайті; хоча з’являються нові інструменти, які надають додаткові шари інформації, включаючи теплові карти та відтворення сеансу.Історично веб-аналітика використовувалася для позначення вимірювання відвідуваності на сайті. Однак це значення стало розмитим, головним чином тому, що постачальники виробляють інструменти, які охоплюють обидві категорії. Багато різних постачальників надають програмне забезпечення та послуги веб-аналітики на місці. Існує два основних технічних способи збору даних. Перший і традиційний метод, аналіз файлів журналу сервера, зчитує файли журналу, в які веб-сервер записує запити файлів від браузерів. Другий метод, тегування сторінки, використовує JavaScript, вбудований у веб-сторінку, щоб надсилати запити зображень до стороннього сервера, призначеного для аналітики, щоразу, коли веб-сторінка відображається веб-браузером або, за бажанням, коли відбувається клацання мишею. Обидва збирають дані, які можна обробити для створення звітів про веб-трафік.

Джерела даних веб-аналітики

Основною метою веб-аналітики є збір і аналіз даних, пов’язаних з веб-трафіком і моделями використання. Дані в основному надходять з чотирьох джерел:

Дані прямих запитів HTTP: безпосередньо надходять із повідомлень запитів HTTP (заголовки запитів HTTP).Дані на рівні мережі та сервера, пов’язані із запитами HTTP: не є частиною HTTP-запиту, але необхідні для успішної передачі запитів, наприклад, IP-адреса запитувача.Дані рівня програми, надіслані із запитами HTTP: генеруються та обробляються програмами рівня програми (наприклад, JavaScript, PHP і ASP.Net), включаючи сеанси та рефералів. Зазвичай вони фіксуються внутрішніми журналами, а не загальнодоступними службами веб-аналітики.

Зовнішні дані: можна поєднувати з даними на сайті, щоб допомогти розширити дані про поведінку веб-сайту, описані вище, та інтерпретувати використання Інтернету. Наприклад, IP-адреси зазвичай асоціюються з географічними регіонами та постачальниками Інтернет-послуг, показниками відкритості та кліків електронної пошти, даними кампанії прямої розсилки, продажами та історією потенційних клієнтів або іншими типами даних, якщо потрібно.

Аналіз файлу журналу веб-сервера

Веб-сервери записують деякі зі своїх транзакцій у файл журналу. Незабаром стало зрозуміло, що ці файли журналів можуть бути прочитані програмою, щоб надати дані про популярність веб-сайту. Так з'явилося програмне забезпечення для аналізу веб-журналів. На початку 1990-х років статистика веб-сайту в основному полягала в підрахунку кількості клієнтських запитів (або звернень), зроблених на веб-сервер. Спочатку це був розумний метод, оскільки кожен веб-сайт часто складався з одного файлу HTML. Однак із запровадженням зображень у HTML та веб-сайтів, які охоплювали декілька файлів HTML, ця кількість стала менш корисною. Перший справжній комерційний Log Analyzer був випущений IPRO у 1994 році.Дві одиниці вимірювання були введені в середині 1990-х, щоб точніше вимірювати кількість людської активності на веб-серверах. Це були перегляди сторінок і відвідування (або сеанси). Перегляд сторінки визначався як запит, зроблений веб-серверу щодо сторінки, на відміну від графічного зображення, тоді як відвідування було визначено як послідовність запитів від унікально ідентифікованого клієнта, термін дії якого закінчився після певної кількості бездіяльності, зазвичай 30 хвилин. .Поява павуків і роботів пошукових систем наприкінці 1990-х років, а також веб-проксі та динамічно призначені IP-адреси для великих компаній і провайдерів, ускладнили визначення унікальних відвідувачів веб-сайту. Аналізатори журналів відповіли, відстежуючи відвідування файлами cookie та ігноруючи запити від відомих павуків.Широке використання веб-кешів також створило проблему для аналізу файлів журналів. Якщо людина повторно відвідує сторінку, другий запит часто витягується з кешу браузера, і тому веб-сервер не отримує запиту. Це означає, що шлях людини через сайт втрачено. Кешування можна подолати, налаштувавши веб-сервер, але це може призвести до погіршення продуктивності відвідувача та збільшення навантаження на сервери. Power BI - це програма від Microsoft для бізнес-аналітики та підготовки інтерактивних звітів. Вона дозволяє - аналізувати велику кількість даних з найрізноманітніших джерел, перетворювати цифри на зрозумілі для керівництва звіти, а також у режимі онлайн відстежувати зміни бізнес-показників на динамічних дашбордах. Power BI розширює розуміння того, що відбувається в бізнесі та дозволяє приймати правильні управлінські рішення.

Основи аналітики даних (Business Intelligence)» покликана до формування у студентів знань і вмінь із розуміння та кваліфікованого застосування в практичній діяльності теоретико-прикладних засад аналізу великих масивів даних з різних джерел та готувати більш зручні та структуровані звіти.

Характерною рисою даного курсу є те, що значна частина теоретичної і практичної компонент побудована на основі навчання в компанії Prometeus та отриманні сертифікату, а також власного досвіду з розробки звітів та дашбордів в Power BI. Значна увага курсу приділена практичній складовій, яка дозволяє отримати навички з розробки інтерактивних звітів та дашбордів, фільтрації даних в середовищі Power BI, що в перспективні надає слухачам цієї дисципліни певні переваги на ринку праці.

Мета та завдання

Мета – надання знань та вмінь щодо застосування ефективних інструментальних засобів відбиття бізнес-даних та сприяння системному уявленню архітектури відповідних технологічних платформ на основі веб-рішень та хмарних обчислень. Результатами вивчення даної дисципліни є придбання навичок з бізнес звітів в сучасній системі бізнесаналізу Microsoft Power BI. Завдання курсу: – опанування теоретико-понятійної бази курсу; – ознайомлення зі сучасним середовищем для аналітики даних Power BI; – освоєння мови DAX для проведення розрахунків в Power BI; – опанування засобів і методів створення візуальних елементів, проведення відсоткових розрахунків та налаштування фільтрації даних в Power BI; – отримання практичних навичок з створення інтерактивних звітів та дашбордів в Power BI.

Результати

1. Здійснювати підключення до різних джерел даних за допомогою Power Query для завантаження інформації різних типів та походження. 2. Виконувати інжинірингові процедури з даними, забезпечувати їх цілісність Вміти підготувати дані для роботи в Power BI Підготувати дані для роботи в Power BI. 3. Будувати та досліджувати моделі даних, управляти зв’язками в Power BI та оптимізовувати їх 4. Створювати візуальні елементи, проводити відсоткові розрахунки та налаштовувати фільтрацію даних в Power BІ. 5. Організовувати складні математичні розрахунки та моделювання з використанням спеціальної мови DAX 6. Застосовувати середовище Power BI для розробки інтерактивних звітів та дашбордів та імплементації їх у сторінки сайтів та інформаційні системи

Вимоги до аналітика даних

Аналітик даних відповідає за організацію даних, пов’язаних із показниками продажів, дослідженням ринку, логістикою, лінгвістикою чи іншими способами поведінки. Вони використовують технічний досвід, щоб забезпечити точність і якість даних. Потім дані аналізуються, проектуються та подаються таким чином, щоб допомогти окремим особам, підприємствам і організаціям приймати кращі рішення.Як правило, Data Analyst працює з інформаційними масивами, самостійно виконуючи при цьому цілий набір операцій:збір даних;підготовка даних до аналізу (вибірка, очищення, сортування);пошук закономірностей в інформаційних наборах;візуалізація даних для швидкого розуміння наявних результатів та майбутніх тенденцій;формулювання гіпотез щодо покращення конкретних бізнес-метрик за рахунок зміни інших показників. Всі ці завдання необхідні для досягнення головної мети аналітика даних — вилучення з масивів інформації відомостей, цінних бізнесу для прийняття оптимальних управлінських рішень.

Використання автоматизованих інструментів для отримання даних з первинних і вторинних джерел

Видалення пошкоджених даних і виправлення помилок кодування та пов’язаних проблем Розробка та підтримка баз даних і систем даних – реорганізація даних у зручному для читання форматі

Виконання аналізу для оцінки якості та значення даних

Фільтруйте дані, переглядаючи звіти та показники ефективності, щоб виявити та виправити проблеми з кодом Використання статистичних інструментів для виявлення, аналізу та інтерпретації моделей і тенденцій у складних наборах даних може бути корисним для діагностики та прогнозування Присвоєння числового значення основним бізнес-функціям, щоб можна було оцінити та порівняти ефективність бізнесу за певні періоди часу. Аналіз місцевих, національних і глобальних тенденцій, які впливають як на організацію, так і на галузь Підготовка звітів для керівництва із зазначенням тенденцій, моделей і прогнозів з використанням відповідних даних Співпраця з програмістами, інженерами та керівниками управління для виявлення можливостей покращення процесів, пропозиції модифікацій системи та розробки стратегій управління даними. Підготовка остаточних аналітичних звітів для зацікавлених сторін, щоб зрозуміти етапи аналізу даних, дозволяючи їм приймати важливі рішення на основі різних фактів і тенденцій. Іншим невід’ємним елементом посадового опису аналітика даних є EDA або проект дослідницького аналізу даних. У таких проектах аналізу даних аналітику необхідно ретельно вивчати дані, щоб розпізнавати та ідентифікувати закономірності. Висновки аналітика — це остання інстанція у прийнятті об’єктивних рішень. Зазвичай цим висновкам довіряють. Це велика відповідальність — помилка може коштувати як сотні, так і сотні тисяч доларів.

Вимоги до аналітика даних

Аналітик даних відповідає за організацію даних, пов’язаних із показниками продажів, дослідженням ринку, логістикою, лінгвістикою чи іншими способами поведінки. Вони використовують технічний досвід, щоб забезпечити точність і якість даних. Потім дані аналізуються, проектуються та подаються таким чином, щоб допомогти окремим особам, підприємствам і організаціям приймати кращі рішення.Як правило, Data Analyst працює з інформаційними масивами, самостійно виконуючи при цьому цілий набір операцій:збір даних;підготовка даних до аналізу (вибірка, очищення, сортування);пошук закономірностей в інформаційних наборах;візуалізація даних для швидкого розуміння наявних результатів та майбутніх тенденцій;формулювання гіпотез щодо покращення конкретних бізнес-метрик за рахунок зміни інших показників. Всі ці завдання необхідні для досягнення головної мети аналітика даних — вилучення з масивів інформації відомостей, цінних бізнесу для прийняття оптимальних управлінських рішень. Використання автоматизованих інструментів для отримання даних з первинних і вторинних джерел Видалення пошкоджених даних і виправлення помилок кодування та пов’язаних проблем Розробка та підтримка баз даних і систем даних – реорганізація даних у зручному для читання форматі Виконання аналізу для оцінки якості та значення даних Фільтруйте дані, переглядаючи звіти та показники ефективності, щоб виявити та виправити проблеми з кодом

Використання статистичних інструментів для виявлення, аналізу та інтерпретації моделей і тенденцій у складних наборах даних може бути корисним для діагностики та прогнозування

Присвоєння числового значення основним бізнес-функціям, щоб можна було оцінити та порівняти ефективність бізнесу за певні періоди часу.

Аналіз місцевих, національних і глобальних тенденцій, які впливають як на організацію, так і на галузь

Підготовка звітів для керівництва із зазначенням тенденцій, моделей і прогнозів з використанням відповідних даних

Співпраця з програмістами, інженерами та керівниками управління для виявлення можливостей покращення процесів, пропозиції модифікацій системи та розробки стратегій управління даними.

Підготовка остаточних аналітичних звітів для зацікавлених сторін, щоб зрозуміти етапи аналізу даних, дозволяючи їм приймати важливі рішення на основі різних фактів і тенденцій. Іншим невід’ємним елементом посадового опису аналітика даних є EDA або проект дослідницького аналізу даних. У таких проектах аналізу даних аналітику необхідно ретельно вивчати дані, щоб розпізнавати та ідентифікувати закономірності.

Висновки аналітика — це остання інстанція у прийнятті об’єктивних рішень. Зазвичай цим висновкам довіряють. Це велика відповідальність — помилка може коштувати як сотні, так і сотні тисяч доларів.

Напрями дата-аналітики в IT-продукті

У бізнесі (розробка мобільних застосунків) можна виділити три основні напрями аналітики даних. 1. Маркетинг-аналітика. Це робота з маркетинговими метриками:воронками; рівнями конверсій;цінами на трафік (ціна за встановлення додатку, залучення користувача, який платить) та іншими метриками; залежністю метрик від якісних показників трафіку: з якої країни прийшов користувач, який у нього пристрій, в який день тижня він прийшов, скільки грошей компанія готова заплатити за його залучення, вартість рекламного креативу (що побачив користувач у Facebook, Instagram або Google) та його вплив на подальшу поведінку користувача у мобільному застосунку. 2. BI (Business Intelligence) аналітика:пошук відповідей на питання, скільки грошей принесе нам залучений сьогодні користувач впродовж наступного року або півроку на основі наявних даних. Часто для виконання завдань такого плану використовують алгоритми машинного навчання;розробка дашбордів за допомогою сервісів візуалізації даних, таких як Tableau, Power BI, або власних розробок. Наприклад, в Universe розробили систему дашбордів, які охоплюють більшість важливих показників маркетингу і BI. Наявні варіанти «під ключ», хоч і мають переваги у простоті використання, швидкості внесення змін та створенні нових дашбордів, але не повністю відповідають нашим, часто вузьким, потребам бізнесу. Власні розробки дають змогу одночасно поєднувати інтерактивність, гнучкість, простоту і машинне навчання. 3. Product-аналітика. Пошук інсайтів у даних про поведінку користувача. Ці знання можуть допомогти бізнесу отримати більше прибутку та оптимізувати окупність затрат. Включає аналітику А/В тестів, змін у додатку, нових релізів застосунку тощо. Головне завдання цього напряму — зробити правильні висновки про можливості покращення продуктів та користувацького досвіду.

Як стати аналітиком даних

Сучасний ринок праці у сфері аналітики даних лише формується. Проте вже зараз можна виокремити певні бажані вміння, до яких має прагнути data-аналітик.

П’ять необхідних хардскілів

1. Знання математики, принаймні шкільної програми. Допоможе розуміти суть методів, які використовує аналітик, які саме розрахунки відбуваються. Без цього складно робити правильні висновки зі свого аналізу. 2. Володіння мовою SQL (використовується для роботи з базами даних). 95% роботи аналітика — це робота з даними. Потрібно вміти працювати з SQL, щоб робити запити та отримувати інформацію з баз даних. 3. Знання Excel на середньому рівні. Робота з таблицями — один із китів, на якому тримається аналітика даних. Можливості Excel для аналітика дуже широкі — від обробки даних до візуалізацій. 4. Володіння мовою Python чи R. Саме мови програмування відкривають перед аналітиком нові можливості: в якості аналізу, швидкості та ефективності. 5. Знання інструментів візуалізації: Tableau, Power BI або бібліотеки для візуалізацій у Python чи R. Це часто очікують роботодавці, тому що будь-яка ідея аналітика, яка здатна принести користь, має бути висловлена простою мовою. Графіки та візуалізації — один з найкращих методів донесення ідеї.

П’ять софтскілів

1. Критичне мислення. У будь-яких даних потрібно сумніватися та обов’язково перевіряти, що саме в них міститься, наскільки вони повні та коректні.

2. Ініціативність, проактивність. Ефективний аналітик у сфері стартапів не потребує, щоб йому ставили завдання зверху. Він розуміє потреби і шукає шляхи вирішення бізнесових проблем автономно, адже саме він розуміє технічні можливості дата-аналітики.

3. Допитливість. Аналітик, який не шукає, не може виконувати свою роботу якісно.

4. Терпіння. Далеко не кожна задача аналітика закінчується значущим результатом — знахідкою чи корисним інсайтом. Потрібно бути готовим до цього, приймати і просто продовжувати свою роботу.

5. Прагнення до розвитку. Технології постійно розвиваються. Треба стежити за трендами, вдосконалювати свої навички та інструментарій.

Як влаштуватися аналітиком даних в IT

Часто аналітиками стають працівники компаній «Великої четвірки», FMCG та компаній, що займаються мобільним зв’язком. Досвід саме в ІТ-аналітиці не є критичною вимогою, адже найбільш поширена практика — коли аналітик виростає в середині компанії. Я почав свою кар’єру в компанії «Великої четвірки», де працював аудитором понад два роки. Там отримав базові навички роботи з таблицями, непогане знання Excel, сформував критичне та аналітичне мислення. Після аудиту я потрапив у команду Universe, спершу як маркетолог. На цій посаді зрозумів, як працює сучасний performance marketing на таких платформах як Facebook, Google, Snapchat, Apple Search Ads, Twitter тощо. Згодом ці навички і знання стали в нагоді, коли я перейшов на позицію аналітика — я вже мав цінні інсайти з трафіку, розумів потреби маркетингу і знав способи, як їх задовольнити. Аналітиком даних можна стати відразу після вишу. Для цього варто пройти кілька профільних курсів, що дадуть базове розуміння роботи аналітика даних та необхідних навичок.

Перспективи зростання

Ринок дата-аналітиків в Україні дуже ненасичений — спеціалістів рівня Middle+ досить мало. Це комфортні умови, щоб будувати в цій сфері кар’єру. Є два умовні вектори розвитку:

Вертикальний. Класична схема «Junior — Middle — Senior — Analytics Team Lead — Head of Analytics або CAO (Chief Analytics Officer)», спрямована на розвиток спочатку власних навичок і знань, а згодом — менеджерських якостей.

Горизонтальний — перехід аналітика в інші сфери. З аналітиків виходять хороші продакт-менеджери. Product Manager, який прийшов з аналітики, буде мати перевагу на ринку перед продуктовим менеджером-початківцем. Дата-аналітики, яким цікаво застосувати свої технічні знання, наприклад Python, у сфері розробки, часто переходять у бекенд-розробники, оскільки вони також вже здатні зрозуміти процеси у цій сфері.

Є кейси, коли колишні аналітики даних ставали успішними керівниками власних стартапів. Сильний аналітик має так званий helicopter view — бачить картину бізнесу загалом, розуміє більшість процесів у командах.

У деяких компаніях обов'язки аналітика даних також входить їх моделювання, тобто. розробка та тестування моделей машинного навчання (Machine Learning). Іноді Data Analyst займається аналізом бізнес-процесів і дуже щільно працює з іншими спеціалістами ІТ при описі потоків і сховищ корпоративної інформації. Таким чином, в сферу відповідальності аналітика даних також входять завдання Business Intelligence (BI) та оптимізації виробничих процесів.

Data analyst аналізує набори даних, щоб знайти шляхи вирішення проблем, пов’язаних із клієнтами компанії. Data analyst також передає цю інформацію керівництву та іншим зацікавленим сторонам. Робота цих осіб охоплює багато різних галузей, таких як бізнес, фінанси, кримінальне правосуддя, наука, медицина та уряд.

Роль Data analyst'a можна визначити як людину, яка володіє знаннями та навичками, щоб перетворювати необроблені дані в інформацію та розуміння, які можна використовувати для прийняття бізнес-рішень

1. Microsoft Power BI Cookbook: Creating Business Intelligence Solutions of Analytical Data Models, Reports, and Dashboards. Birmingham : Packt Publishing Ltd, 2017. 802 p. 2. A Guide to the Business Analysis Body of Knowledge (BABOK Guide). – 3rd Edition. – IIBA. – 2015. – 502 p. 3 Ferrari A. Introducing Microsoft Power BI / Alberto Ferrari and Marco Russo // Microsoft Press, 2016. – 189 p. 4. Cuesta H., Kumar S. Practical Data Analysis.Birmingham : Packt Publishing Ltd, 2016. 316 p. 5. Data Science & Big Data Analytics: Discovering, Analyzing, Visualizing and Presenting Data /EMC Education Services. Indianapolis : John Wiley & Sons, Inc, 2015. – 432 p. 6. Паклин Н.Б Бізнес-аналітика: від даних до знань; Навч. посібник, 2-е вид. / Н.Б. Паклин, В.И. Орешков. – К.: БХВ, 2011. – 288 с. 7. Browne D. IBM Cognos Business Intelligence V10.1 Handbook / Dean Browne, Brecht Desmeijter, Rodrigo Frealdo Dumont, Armin Kamal and others // An IBM Redbooks publication, 2010. – 572 p.

Література

1. Данілов А.Д., Паєнтко Т.В. Теорія ігор в методології дослідження // Бізнесінформ. – 2011. - № 7(2). С.126-128

2. Шиян А.А. Теорія ігор: основи та застосування в економіці та менеджменті /А.А. Шиян // Навчальний посібник. – Вінниця: ВНТУ, 2009. – 164 с.

3. J.C.C. McKinsey. To the theory of games. – The RAND Corporation, NY, 1952. 2. J. Osborne, A. Rubinstein. A Course in Game Theory. – The MIT Press, Cambridge, Massachusetts; London, England, 1994.

4. V. Mazalov. Mathematical Game Theory and Applications. – John Wiley & Sons Ltd, UK, 2014.

5. R. Isaacs. Differential Games. – Dover Publications, NY, 1999.

6. Chikrii A.A. Conflict-Controlled Processes. – Springer Science & Business Media, 2013. 6. R. Gibbons. Game theory for applied economists. – Princeton Univ. Press, 1992.

7. H. Moulen. Game Theory for the Social Sciences, NYU Press, 1986.

8. Барановська Л.В., Медведєв М.Г. Ігрові методи моделювання економічних систем. Навч.посібник. – К.: Вид-во Європ.ун-ту, 2002. – 116 с.

9. Akerlof, George A. "The market for “lemons”: Quality uncertainty and the market mechanism." Uncertainty in Economics. 1978. 235-251.

Для студентів старших років навчання. Автори Яремко Яромир Васильович Дудик Роман Олегович аспірант Гупало Юрій Степанович Пляцко Марія Михайлівна

Основною метою є ознайомлення студентів з основами проведення наукових досліджень. Огірко І.В.