Forecast og anvendt statistik

Dette læringsflow har til formål at give den studerende grundlæggende kompetencer inden for anvendt statistik med fokus på forecasting som kerneproces i forsyningskæden. Den studerende opnår forståelse for statistiske grundprincipper og deres anvendelse i forecasting til at understøtte forretningsbeslutninger og bæredygtighedsperspektiver.

Der arbejdes med beskrivende statistik og datavisualisering, sandsynlighedsregning, stikprøveteori, hypotesetest samt forecast-metoder (dømmende, kvantitative og kvalitative), datamønstre og evaluering af forecast-nøjagtighed.

Der lægges vægt på at vurdere datakvalitet, usikkerhed og begrænsninger samt på at omsætte statistiske analyser og forecasts til beslutningsstøtte, der afvejer risici, omkostninger og bæredygtighedshensyn.

Om Forecast:
Faget er opbygget omkring følgende hovedemner:
• Forecast som kerneproces i forsyningskæden, herunder anvendelse som beslutningsgrundlag og bæredygtighedsperspektiver
• Statistik og datamønstre i forecasting, herunder datagrundlag og datakvalitet
• Forecast-metoder (dømmende, kvantitative og kvalitative)
• Måling og evaluering af forecast-nøjagtighed

Om Anvendt statistik:
Faget er opbygget omkring følgende hovedemner:
• Beskrivende statistik og datavisualisering, herunder datastruktur, datakvalitet og dataetik.
• Sandsynlighed, stokastiske variabler og væsentlige sandsynlighedsfordelinger, herunder normalfordelingen.
• Stikprøveteori, estimater, konfidensintervaller og hypotesetest.
• Statistiske anvendelser i praksis og projekter, herunder beslutningsgrundlag og bæredygtighedsperspektiver.

Forecast:
Den studerende skal have viden om:
• Teorier og de mest anvendte modeller indenfor forecasting
• Ledelsesbeslutninger, som danner baggrund for forecasting
• Betydningen af datagrundlag, antagelser og usikkerhed i forecast
• Sammenhængen mellem forecasting og forretningsmæssige samt bæredygtige hensyn

Anvendt statistik:
Den studerende skal have viden om:
• Grundlæggende beskrivende statistik, herunder mål for central tendens og spredning.
• Sandsynlighed, stokastiske variabler og væsentlige sandsynlighedsfordelinger, herunder normalfordelingen.
• Stikprøveteori, estimationsprincipper, variation, usikkerhed og centrale antagelser i statistiske analyser.
• Principper for statistisk inferens, herunder konfidensintervaller, hypotesetest og dataetiske overvejelser i beslutningsproces Forecast:
Den studerende skal være i stand til at:
• Demonstrere kendskab til teorier og modeller, samt vurdere styrker og svagheder ved forecast-teorier og modeller i en given forretningssituation
• Udvælge og anvende relevante forecast-tilgange afhængigt af kontekst og datagrundlag
• Analysere og forholde sig kritisk til forecast-resultater, herunder usikkerhed og begrænsninger
• Udarbejde og præsentere ledelsen for en velbegrundet analyse af mulige forecast-optimeringer baseret på given information og relevante teorier

Anvendt statistik:
Den studerende skal være i stand til at:
• Indsamle, strukturere, rense og beskrive data ved hjælp af relevante statistiske mål og visualiseringer.
• Gennemføre og begrunde valg af passende hypotesetests og beregne samt fortolke konfidensintervaller.
• Vurdere datakvalitet, antagelser, usikkerhed og potentielle begrænsninger i statistiske analyser.
• Dokumentere og formidle statistiske metoder og resultater klart og reproducerbart, så analyser kan anvendes meningsfuldt i projekter. Forecast:
Den studerende skal have kompetencer til at:
• Vælge relevante forecast-modeller og vurdere forecast-nøjagtighed
• Udarbejde et forecast-system baseret på virksomhedens forretningsmæssige situation
• Omsætte forecast til beslutningsstøtte, der afvejer usikkerhed, risici og bæredygtighedshensyn

Anvendt statistik:
Den studerende skal have kompetencer til at:
• Anvende statistiske metoder til at undersøge praksisnære problemstillinger og fortolke resultater kritisk og nuanceret.
• Forstå og forklare sammenhængen mellem datagrundlag, metodevalg og resultaters gyldighed i en projektproces.
• Indgå i fagligt samarbejde om planlægning, gennemførelse og formidling af statistiske analyser.
• Omsætte statistiske resultater til beslutningsstøtte, der afvejer risici, omkostninger og bæredygtighedshensyn.

På uddannelsen arbejder vi med den læringstilgang, at erhvervskompetencer udvikles bedst ved, at uddannelsens studieaktiviteter sætter praksis og konkrete problemstillinger i centrum for læringen. Og at det er arbejdet med at skabe værdi i praksis, der driver motivationen og engagementet hos de studerende.
Uddannelsen tager derfor udgangspunkt i en uddannelsesmodel, der fokuserer på:
At facilitere et motiverende og engagerende læringsmiljø baseret på praksis
At omsætte og formidle relevant viden fra forskning og erhverv i en konkret praksis
At understøtte de studerendes aktive deltagelse og studieintensitet gennem relevante studieaktiviteter
At inddrage de studerendes viden og erhvervserfaring som en ressource, så de studerende er medskabere af læring
At understøtte læring gennem løbende dialog og en fælles feedbackkultur
At der kan arbejdes fleksibelt og med inddragelse af digitale læringsaktiviteter, der fokuserer på at udnytte vores ressourcer og forbedre de studerendes læringsudbytte, uafhængig af tid og sted.
Der er flere forskellige undervisnings- og arbejdsformer, der understøtter den studerendes læring. Eksempelvis forelæsninger, casearbejde, mindre opgaver, praktiske og teoretiske øvelser, mundtlige oplæg, hjemmearbejde, ekskursioner og lignende.

Undervisningen er tilrettelagt i et eller flere læringsflows per semester.

Formålet med arbejdsformerne er, at de studerende tilegner sig viden, færdigheder og kompetencer inden for uddannelsens fagområder, og at den studerende endvidere anvender disse i overensstemmelse med uddannelsens mål for læringsudbytte.