Dieses Modul führt in lineare Modelle ein, den Grundbaustein für fast alle Modellierungen. Durch eine eingehende Untersuchung der üblichen Verwendungszwecke und Beispiele für lineare Modelle lernen Sie, wie Sie lineare Modelle, einschließlich Kostenfunktionen und Produktionsfunktionen, auf Ihr Unternehmen anwenden können. Das Modul umfasst auch eine Darstellung von Wachstums- und Verfallsprozessen in diskreter Zeit, Wachstum und Verfall in kontinuierlicher Zeit sowie die damit verbundenen Berechnungen des Gegenwarts- und Zukunftswerts. Es werden klassische Optimierungstechniken besprochen. Am Ende dieses Moduls werden Sie in der Lage sein, die Schlüsselstruktur von linearen Modellen zu erkennen und zu verstehen und Vorschläge zu machen, wann und wie Sie diese Modelle einsetzen können, um die Ergebnisse Ihres Unternehmens zu verbessern. Sie werden auch in der Lage sein, Barwertberechnungen durchzuführen, die die Grundlage für Bewertungsmetriken bilden. Darüber hinaus werden Sie verstehen, wie Sie Modelle für Ihr Unternehmen nutzen können, und zwar durch den Einsatz von Optimierungsverfahren, um Ihre Geschäftsfunktionen wirklich zu verfeinern und zu optimieren

In diesem Modul werden probabilistische Modelle erklärt, mit denen sich Risiken in Prozessen erfassen lassen. Sie werden probabilistische Modelle verwenden müssen, wenn Sie nicht alle Ihre Eingaben kennen. Sie werden untersuchen, wie probabilistische Modelle die Ungewissheit einbeziehen und wie sich diese Ungewissheit bis zu den Ergebnissen des Modells fortsetzt. Sie werden auch entdecken, wie die Weitergabe der Unsicherheit es Ihnen ermöglicht, einen Wertebereich für Prognosen zu bestimmen. Sie lernen die am häufigsten verwendeten Risikomodelle kennen, darunter Regressionsmodelle, baumbasierte Modelle, Monte-Carlo-Simulationen und Markov-Ketten, sowie die Bausteine dieser probabilistischen Modelle, wie Zufallsvariablen, Wahrscheinlichkeitsverteilungen, Bernoulli-Zufallsvariablen, binomische Zufallsvariablen, die empirische Regel und die vielleicht wichtigste aller statistischen Verteilungen, die Normalverteilung, die durch Mittelwert und Standardabweichung gekennzeichnet ist. Am Ende dieses Moduls werden Sie in der Lage sein, ein probabilistisches Modell zu definieren, die am häufigsten verwendeten probabilistischen Modelle zu identifizieren und zu verstehen, die Komponenten dieser Modelle zu kennen und die nützlichsten probabilistischen Modelle für die Erfassung und Untersuchung von Risiken in Ihrem eigenen Unternehmen zu bestimmen.

Dieses Modul befasst sich mit Regressionsmodellen, die es Ihnen ermöglichen, mit Daten zu beginnen und einen zugrunde liegenden Prozess zu entdecken. Regressionsmodelle sind die wichtigsten Werkzeuge in der prädiktiven Analyse und werden auch verwendet, wenn Sie die Unsicherheit in den zugrunde liegenden Daten explizit berücksichtigen müssen. Sie werden mehr darüber erfahren, was Regressionsmodelle sind, was sie können und was nicht, und welche Fragen Regressionsmodelle beantworten können. Sie werden sich mit Korrelation und linearer Assoziation, der Methodik zur Anpassung der besten Linie an die Daten, der Interpretation von Regressionskoeffizienten, multipler Regression und logistischer Regression befassen. Sie werden auch sehen, wie die logistische Regression es Ihnen ermöglicht, Erfolgswahrscheinlichkeiten zu schätzen. Am Ende dieses Moduls werden Sie in der Lage sein, Regressionsmodelle und ihre wichtigsten Komponenten zu identifizieren, zu verstehen, wann sie verwendet werden, und sie so zu interpretieren, dass Sie Ihr Modell diskutieren und andere von der Sinnhaftigkeit Ihres Modells überzeugen können, mit dem letztendlichen Ziel der Implementierung.