logo
BISM2202中等2 学分

数据分析与信息管理

昆士兰大学·University of Queensland·布里斯班

BISM2202《数据分析与信息管理》是 昆士兰大学 的公开课程页面。当前可确认的信息包括 2 学分，难度 中等，公开通过率 76%。 页面已整理 12 周教学安排，4 个重点考核，方便你快速判断工作量、考核结构和适配度。 课程简介摘要：课程定位 BISM2202（Data Analytics and Information Management）是 UQ 课程体系中兼顾理论。

💪 压力
3 / 5
⭐ 含金量
4 / 5
✅ 通过率
0%
👥 选课人数
0
打开官方页面 →返回课程列表

📖 课程概览

选课速读： BISM2202《数据分析与信息管理》是 昆士兰大学 的公开课程页面。当前可确认的信息包括 2 学分，难度 中等，公开通过率 76%。 页面已整理 12 周教学安排，4 个重点考核，方便你快速判断工作量、考核结构和适配度。 课程简介摘要：课程定位 BISM2202（Data Analytics and Information Management）是 UQ 课程体系中兼顾理论。
### 课程定位 BISM2202（Data Analytics and Information Management）是 UQ 课程体系中兼顾理论与实践的一门中等课程，核心目标是把“会看懂”升级为“会分析、会实现、会解释”。课程通常承担承上启下作用：前接基础概念，后接更高阶专题或项目。对准备走软件、数据、工程或研究路径的同学来说，这类课程的价值不只在分数，更在于建立可迁移的方法框架和稳定交付能力。 ### 技术栈与学习内容 学习内容通常覆盖该方向的关键概念、方法与工具链，并通过练习或作业落实到具体场景。常见会使用 Python、R、MATLAB、C/C++ 或课程指定软件（以官方课纲为准）。课程强调的不只是“得到答案”，还包括假设条件、步骤完整性、结果解释与复现性。也就是说，你需要同时训练知识准确度、实现质量和表达清晰度。 ### 课程结构 课程一般按周推进，前段搭建概念框架，中段进入题型训练与案例应用，后段做综合整合与评估冲刺。考核常见组合为 Quiz/Lab、作业、报告和期末评估。评分不仅看正确率，也看分析逻辑、书写/代码规范与结论表达。多数同学真正拉开差距的阶段在中后期：是否能持续输出，而不是临近截止日突击。 ### 适合人群 适合希望夯实底层能力、提升问题拆解与建模能力、并改善学术或工程表达的同学。若你计划继续修读高阶课程，或希望在实习与求职中提升“把事情做对并讲清

🧠 大神解析

### 📊 课程难度与压力分析 BISM2202（Data Analytics and Information Management）整体难度可归为中等，压力通常在 Week 4-6 开始明显上升。前几周常给人“内容可控”的错觉，但中期后任务会从单点知识转向综合应用，作业、实验和复习节奏容易叠加。与同级课程相比，这门课更强调持续输出和过程质量，而不是只靠一次考试逆转。所谓 Quit Week 往往发生在第一次高权重作业返分后，如果没有及时复盘，后续会持续被动。期末季最痛苦的不是题量本身，而是前期积压导致可用时间被压缩。 ### 🎯 备考重点与高分策略 建议优先掌握 7 个高频点：1）核心定义与适用边界；2）标准题型步骤；3）复杂度或方法选择依据；4）边界条件与异常场景处理；5）结果解释与误差来源；6）跨章节综合题；7）时间分配与答题顺序。HD 与 Pass 的差距常在“解释能力”：高分答案不仅写对，还能说明为什么这样做。备考可采用三段法：先补概念漏洞，再集中刷高错率题型，最后做限时模拟并专门检查表达完整性。每次复习都要保留“错因记录”，避免重复犯错。 ### 📚 学习建议与资源推荐 学习顺序建议是：先看课程目标与评分标准，再看 lecture，再做 tutorial/lab，最后写周复盘。资源方面优先使用官方课件、Course Profile、Ed/讨论区答疑；外部可补充 YouTube 对应专题、MIT OCW/Khan Academy、可视化工具与开源示例。实操上，建议每周至少做一次“旧题重做 + 解法重构”，把能做出来升级成可复现、可讲解、可迁移。不要只收藏资料不落地，关键在固定节奏输出。 ### ⚠️ 作业与 Lab 避坑指南 常见扣分点包括：步骤不完整、边界用例遗漏、复杂度分析没写、格式规范不达标、提交前未做自测。建议采用截止日三段节奏：D-7 完成主体，D-3 完成全量测试与互查，D-1 只做格式与表达校对。若课程使用自动评分系统，必须先本地构建最小回归测试，避免“样例通过但隐藏用例失败”。合作讨论要守住学术诚信边界：可讨论思路，不可共享可提交成品。 ### 💬 过来人经验分享 我最开始把这类课当成“考前冲刺型”，结果一到中后期连续 deadline，整个人被动得很。后来改成固定节奏后明显稳了：周初梳理概念，周中完成第一版，周末只做错题复盘和重构。最有用的习惯是每次作业后写一张“失分清单”，下次开工前先看，能减少很多重复错误。给新同学一句实话：别等完全准备好再开始，先交付可运行第一版，再迭代到高质量，你会轻松很多。

📅 每周课程大纲

Week 1Lecture 1: Course Overview and Business Analytics Framework.
### 📖 核心知识点：Lecture 1: Course Overview and Business Analytics Framework. 本周围绕 Lecture 1: Course Overview and Business Analytics Framework. 的核心概念与应用场景展开，建议先把 lecture 中给出的定义、边界和示例理解透，再通过 tutorial/workshop 把知识点转化成可执行步骤。学习重点不是记住术语，而是能在案例里解释为什么使用这个方法、何时不该使用，以及与前后主题的连接关系。 - **核心概念/公式**: Lecture 1: Course Overview and Business Analytics Framework., data modelling, SQL/Python, system design ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 9h（Lecture 2h + 自学 4h + 作业/Lab 3h） 🎯 **考试关联**: 常见题型是概念辨析 + 场景应用，建议用“定义-步骤-取舍”结构答题。 🧪 **Tutorial/Lab**: 围绕“Lecture 1: Course Overview and Business Analytics Framework.”完成课堂练习，并整理 1 页方法清单。 📌 **作业关联**: 与当周作业/项目里对应模块直接相关，建议本周完成第一版并留出测试时间。 ⚠️ **易错点**: 只报告结果，不解释特征选择、评估指标和误差来源。 （数据来源：2000 UQ Course Profile (BISM2202)）
Lecture1CourseOverviewandBusinessAnalyticsFramework.
💡 学习提示
• 总结 Lecture 1: Course Overview and Business Analytics Framework. 的核心概念与适用场景
• 为第1周生成 5 道练习题并给出解题步骤
Week 2Lecture 2: Relational Databases and Normalisation
### 📖 核心知识点：Lecture 2: Relational Databases and Normalisation 本周围绕 Lecture 2: Relational Databases and Normalisation 的核心概念与应用场景展开，建议先把 lecture 中给出的定义、边界和示例理解透，再通过 tutorial/workshop 把知识点转化成可执行步骤。学习重点不是记住术语，而是能在案例里解释为什么使用这个方法、何时不该使用，以及与前后主题的连接关系。 - **核心概念/公式**: Lecture 2: Relational Databases and Normalisation, data modelling, SQL/Python, system design ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 9h（Lecture 2h + 自学 4h + 作业/Lab 3h） 🎯 **考试关联**: 常见题型是概念辨析 + 场景应用，建议用“定义-步骤-取舍”结构答题。 🧪 **Tutorial/Lab**: 围绕“Lecture 2: Relational Databases and Normalisation”完成课堂练习，并整理 1 页方法清单。 📌 **作业关联**: 与当周作业/项目里对应模块直接相关，建议本周完成第一版并留出测试时间。 ⚠️ **易错点**: 只关注语法对错，不验证查询是否准确回答业务问题。 （数据来源：2000 UQ Course Profile (BISM2202)）
Lecture2RelationalDatabasesandNormalisation
💡 学习提示
• 总结 Lecture 2: Relational Databases and Normalisation 的核心概念与适用场景
• 为第2周生成 5 道练习题并给出解题步骤
Week 3Lecture 3: Dimensional Modelling.
### 📖 核心知识点：Lecture 3: Dimensional Modelling. 本周围绕 Lecture 3: Dimensional Modelling. 的核心概念与应用场景展开，建议先把 lecture 中给出的定义、边界和示例理解透，再通过 tutorial/workshop 把知识点转化成可执行步骤。学习重点不是记住术语，而是能在案例里解释为什么使用这个方法、何时不该使用，以及与前后主题的连接关系。 - **核心概念/公式**: Lecture 3: Dimensional Modelling., data modelling, SQL/Python, system design ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 9h（Lecture 2h + 自学 4h + 作业/Lab 3h） 🎯 **考试关联**: 常见题型是概念辨析 + 场景应用，建议用“定义-步骤-取舍”结构答题。 🧪 **Tutorial/Lab**: 围绕“Lecture 3: Dimensional Modelling.”完成课堂练习，并整理 1 页方法清单。 📌 **作业关联**: 与当周作业/项目里对应模块直接相关，建议本周完成第一版并留出测试时间。 ⚠️ **易错点**: 只报告结果，不解释特征选择、评估指标和误差来源。 （数据来源：2000 UQ Course Profile (BISM2202)）
Lecture3DimensionalModelling.
💡 学习提示
• 总结 Lecture 3: Dimensional Modelling. 的核心概念与适用场景
• 为第3周生成 5 道练习题并给出解题步骤
Week 4Lecture 4: Advanced Dimensional Modelling
### 📖 核心知识点：Lecture 4: Advanced Dimensional Modelling 本周围绕 Lecture 4: Advanced Dimensional Modelling 的核心概念与应用场景展开，建议先把 lecture 中给出的定义、边界和示例理解透，再通过 tutorial/workshop 把知识点转化成可执行步骤。学习重点不是记住术语，而是能在案例里解释为什么使用这个方法、何时不该使用，以及与前后主题的连接关系。 - **核心概念/公式**: Lecture 4: Advanced Dimensional Modelling, data modelling, SQL/Python, system design ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 9h（Lecture 2h + 自学 4h + 作业/Lab 3h） 🎯 **考试关联**: 常见题型是概念辨析 + 场景应用，建议用“定义-步骤-取舍”结构答题。 🧪 **Tutorial/Lab**: 围绕“Lecture 4: Advanced Dimensional Modelling”完成课堂练习，并整理 1 页方法清单。 📌 **作业关联**: 与当周作业/项目里对应模块直接相关，建议本周完成第一版并留出测试时间。 ⚠️ **易错点**: 只报告结果，不解释特征选择、评估指标和误差来源。 （数据来源：2000 UQ Course Profile (BISM2202)）
Lecture4AdvancedDimensionalModelling
💡 学习提示
• 总结 Lecture 4: Advanced Dimensional Modelling 的核心概念与适用场景
• 为第4周生成 5 道练习题并给出解题步骤
Week 5Lecture 5: Data Integration and Metadata
### 📖 核心知识点：Lecture 5: Data Integration and Metadata 本周围绕 Lecture 5: Data Integration and Metadata 的核心概念与应用场景展开，建议先把 lecture 中给出的定义、边界和示例理解透，再通过 tutorial/workshop 把知识点转化成可执行步骤。学习重点不是记住术语，而是能在案例里解释为什么使用这个方法、何时不该使用，以及与前后主题的连接关系。 - **核心概念/公式**: Lecture 5: Data Integration and Metadata, data modelling, SQL/Python, system design ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 9h（Lecture 2h + 自学 4h + 作业/Lab 3h） 🎯 **考试关联**: 常见题型是概念辨析 + 场景应用，建议用“定义-步骤-取舍”结构答题。 🧪 **Tutorial/Lab**: 围绕“Lecture 5: Data Integration and Metadata”完成课堂练习，并整理 1 页方法清单。 📌 **作业关联**: 与当周作业/项目里对应模块直接相关，建议本周完成第一版并留出测试时间。 ⚠️ **易错点**: 只记知识点标题，忽略前后周之间的方法衔接和应用边界。 （数据来源：2000 UQ Course Profile (BISM2202)）
Lecture5DataIntegrationandMetadata
💡 学习提示
• 总结 Lecture 5: Data Integration and Metadata 的核心概念与适用场景
• 为第5周生成 5 道练习题并给出解题步骤
Week 6Lecture 6: Performance Dashboards and Information Delivery Good Friday Public Holiday - Friday 3rd April 2026 - Check Bl
### 📖 核心知识点：Lecture 6: Performance Dashboards and Information Delivery Good Friday Public Holiday - Friday 3rd April 2026 - Check Blackboard for announcements about affected classes. 本周围绕 Lecture 6: Performance Dashboards and Information Delivery Good Friday Public Holiday - Friday 3rd April 2026 - Check Blackboard for announcements about affected classes. 的核心概念与应用场景展开，建议先把 lecture 中给出的定义、边界和示例理解透，再通过 tutorial/workshop 把知识点转化成可执行步骤。学习重点不是记住术语，而是能在案例里解释为什么使用这个方法、何时不该使用，以及与前后主题的连接关系。 - **核心概念/公式**: Lecture 6: Performance Dashboards and Information Delivery Good Friday Public Holiday - Friday 3rd April 2026 - Check Blackboard for announcements about affected classes., data modelling, SQL/Python, system design ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 9h（Lecture 2h + 自学 4h + 作业/Lab 3h） 🎯 **考试关联**: 常见题型是概念辨析 + 场景应用，建议用“定义-步骤-取舍”结构答题。 🧪 **Tutorial/Lab**: 围绕“Lecture 6: Performance Dashboards and Information Delivery Good Friday Public Holiday - Friday 3rd April 2026 - Check Blackboard for announcements about affected classes.”完成课堂练习，并整理 1 页方法清单。 📌 **作业关联**: 与当周作业/项目里对应模块直接相关，建议本周完成第一版并留出测试时间。 ⚠️ **易错点**: 只记知识点标题，忽略前后周之间的方法衔接和应用边界。 （数据来源：2000 UQ Course Profile (BISM2202)）
Lecture6PerformanceDashboardsandInformationDeliveryGoodFridayPublic
💡 学习提示
• 总结 Lecture 6: Performance Dashboards and Information Delivery Good Friday Public Holiday - Friday 3rd April 2026 - Check Bl 的核心概念与适用场景
• 为第6周生成 5 道练习题并给出解题步骤
Week 7Lecture 7: Data Analytics - Data Exploration and Fundamental Concepts.
### 📖 核心知识点：Lecture 7: Data Analytics - Data Exploration and Fundamental Concepts. 本周围绕 Lecture 7: Data Analytics - Data Exploration and Fundamental Concepts. 的核心概念与应用场景展开，建议先把 lecture 中给出的定义、边界和示例理解透，再通过 tutorial/workshop 把知识点转化成可执行步骤。学习重点不是记住术语，而是能在案例里解释为什么使用这个方法、何时不该使用，以及与前后主题的连接关系。 - **核心概念/公式**: Lecture 7: Data Analytics - Data Exploration and Fundamental Concepts., data modelling, SQL/Python, system design ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 9h（Lecture 2h + 自学 4h + 作业/Lab 3h） 🎯 **考试关联**: 常见题型是概念辨析 + 场景应用，建议用“定义-步骤-取舍”结构答题。 🧪 **Tutorial/Lab**: 围绕“Lecture 7: Data Analytics - Data Exploration and Fundamental Concepts.”完成课堂练习，并整理 1 页方法清单。 📌 **作业关联**: 与当周作业/项目里对应模块直接相关，建议本周完成第一版并留出测试时间。 ⚠️ **易错点**: 只报告结果，不解释特征选择、评估指标和误差来源。 （数据来源：2000 UQ Course Profile (BISM2202)）
Lecture7DataAnalytics-DataExplorationandFundamentalConcepts.
💡 学习提示
• 总结 Lecture 7: Data Analytics - Data Exploration and Fundamental Concepts. 的核心概念与适用场景
• 为第7周生成 5 道练习题并给出解题步骤
Week 8Lecture 8: Data Analytics - Model Building and Algorithms.
### 📖 核心知识点：Lecture 8: Data Analytics - Model Building and Algorithms. 本周围绕 Lecture 8: Data Analytics - Model Building and Algorithms. 的核心概念与应用场景展开，建议先把 lecture 中给出的定义、边界和示例理解透，再通过 tutorial/workshop 把知识点转化成可执行步骤。学习重点不是记住术语，而是能在案例里解释为什么使用这个方法、何时不该使用，以及与前后主题的连接关系。 - **核心概念/公式**: Lecture 8: Data Analytics - Model Building and Algorithms., data modelling, SQL/Python, system design ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 9h（Lecture 2h + 自学 4h + 作业/Lab 3h） 🎯 **考试关联**: 常见题型是概念辨析 + 场景应用，建议用“定义-步骤-取舍”结构答题。 🧪 **Tutorial/Lab**: 围绕“Lecture 8: Data Analytics - Model Building and Algorithms.”完成课堂练习，并整理 1 页方法清单。 📌 **作业关联**: 与当周作业/项目里对应模块直接相关，建议本周完成第一版并留出测试时间。 ⚠️ **易错点**: 只报告结果，不解释特征选择、评估指标和误差来源。 （数据来源：2000 UQ Course Profile (BISM2202)）
Lecture8DataAnalytics-ModelBuildingandAlgorithms.
💡 学习提示
• 总结 Lecture 8: Data Analytics - Model Building and Algorithms. 的核心概念与适用场景
• 为第8周生成 5 道练习题并给出解题步骤
Week 9Lecture 9: Data Analytics - Model Building and Best Practices.
### 📖 核心知识点：Lecture 9: Data Analytics - Model Building and Best Practices. 本周围绕 Lecture 9: Data Analytics - Model Building and Best Practices. 的核心概念与应用场景展开，建议先把 lecture 中给出的定义、边界和示例理解透，再通过 tutorial/workshop 把知识点转化成可执行步骤。学习重点不是记住术语，而是能在案例里解释为什么使用这个方法、何时不该使用，以及与前后主题的连接关系。 - **核心概念/公式**: Lecture 9: Data Analytics - Model Building and Best Practices., data modelling, SQL/Python, system design ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 9h（Lecture 2h + 自学 4h + 作业/Lab 3h） 🎯 **考试关联**: 常见题型是概念辨析 + 场景应用，建议用“定义-步骤-取舍”结构答题。 🧪 **Tutorial/Lab**: 围绕“Lecture 9: Data Analytics - Model Building and Best Practices.”完成课堂练习，并整理 1 页方法清单。 📌 **作业关联**: 与当周作业/项目里对应模块直接相关，建议本周完成第一版并留出测试时间。 ⚠️ **易错点**: 只报告结果，不解释特征选择、评估指标和误差来源。 （数据来源：2000 UQ Course Profile (BISM2202)）
Lecture9DataAnalytics-ModelBuildingandBestPractices.
💡 学习提示
• 总结 Lecture 9: Data Analytics - Model Building and Best Practices. 的核心概念与适用场景
• 为第9周生成 5 道练习题并给出解题步骤
Week 10Lecture 10: Big Data Management and Advanced Analytics.
### 📖 核心知识点：Lecture 10: Big Data Management and Advanced Analytics. 本周围绕 Lecture 10: Big Data Management and Advanced Analytics. 的核心概念与应用场景展开，建议先把 lecture 中给出的定义、边界和示例理解透，再通过 tutorial/workshop 把知识点转化成可执行步骤。学习重点不是记住术语，而是能在案例里解释为什么使用这个方法、何时不该使用，以及与前后主题的连接关系。 - **核心概念/公式**: Lecture 10: Big Data Management and Advanced Analytics., data modelling, SQL/Python, system design ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 9h（Lecture 2h + 自学 4h + 作业/Lab 3h） 🎯 **考试关联**: 常见题型是概念辨析 + 场景应用，建议用“定义-步骤-取舍”结构答题。 🧪 **Tutorial/Lab**: 围绕“Lecture 10: Big Data Management and Advanced Analytics.”完成课堂练习，并整理 1 页方法清单。 📌 **作业关联**: 与当周作业/项目里对应模块直接相关，建议本周完成第一版并留出测试时间。 ⚠️ **易错点**: 只报告结果，不解释特征选择、评估指标和误差来源。 （数据来源：2000 UQ Course Profile (BISM2202)）
Lecture10BigDataManagementandAdvancedAnalytics.
💡 学习提示
• 总结 Lecture 10: Big Data Management and Advanced Analytics. 的核心概念与适用场景
• 为第10周生成 5 道练习题并给出解题步骤
Week 11Lecture 11: Privacy, Ethics, and Acceptable Data Use.
### 📖 核心知识点：Lecture 11: Privacy, Ethics, and Acceptable Data Use. 本周围绕 Lecture 11: Privacy, Ethics, and Acceptable Data Use. 的核心概念与应用场景展开，建议先把 lecture 中给出的定义、边界和示例理解透，再通过 tutorial/workshop 把知识点转化成可执行步骤。学习重点不是记住术语，而是能在案例里解释为什么使用这个方法、何时不该使用，以及与前后主题的连接关系。 - **核心概念/公式**: Lecture 11: Privacy, Ethics, and Acceptable Data Use., data modelling, SQL/Python, system design ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 9h（Lecture 2h + 自学 4h + 作业/Lab 3h） 🎯 **考试关联**: 常见题型是概念辨析 + 场景应用，建议用“定义-步骤-取舍”结构答题。 🧪 **Tutorial/Lab**: 围绕“Lecture 11: Privacy, Ethics, and Acceptable Data Use.”完成课堂练习，并整理 1 页方法清单。 📌 **作业关联**: 与当周作业/项目里对应模块直接相关，建议本周完成第一版并留出测试时间。 ⚠️ **易错点**: 只背概念不结合场景，答案缺少可执行控制措施。 （数据来源：2000 UQ Course Profile (BISM2202)）
Lecture11PrivacyEthicsandAcceptableDataUse.
💡 学习提示
• 总结 Lecture 11: Privacy, Ethics, and Acceptable Data Use. 的核心概念与适用场景
• 为第11周生成 5 道练习题并给出解题步骤
Week 12Lecture 12: Advanced Topics, Discussions, and Debates in Data Analytics.
### 📖 核心知识点：Lecture 12: Advanced Topics, Discussions, and Debates in Data Analytics. 本周围绕 Lecture 12: Advanced Topics, Discussions, and Debates in Data Analytics. 的核心概念与应用场景展开，建议先把 lecture 中给出的定义、边界和示例理解透，再通过 tutorial/workshop 把知识点转化成可执行步骤。学习重点不是记住术语，而是能在案例里解释为什么使用这个方法、何时不该使用，以及与前后主题的连接关系。 - **核心概念/公式**: Lecture 12: Advanced Topics, Discussions, and Debates in Data Analytics., data modelling, SQL/Python, system design ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 9h（Lecture 2h + 自学 4h + 作业/Lab 3h） 🎯 **考试关联**: 常见题型是概念辨析 + 场景应用，建议用“定义-步骤-取舍”结构答题。 🧪 **Tutorial/Lab**: 围绕“Lecture 12: Advanced Topics, Discussions, and Debates in Data Analytics.”完成课堂练习，并整理 1 页方法清单。 📌 **作业关联**: 与当周作业/项目里对应模块直接相关，建议本周完成第一版并留出测试时间。 ⚠️ **易错点**: 只报告结果，不解释特征选择、评估指标和误差来源。 （数据来源：2000 UQ Course Profile (BISM2202)）
Lecture12AdvancedTopicsDiscussionsandDebatesinDataAnalytics.
💡 学习提示
• 总结 Lecture 12: Advanced Topics, Discussions, and Debates in Data Analytics. 的核心概念与适用场景
• 为第12周生成 5 道练习题并给出解题步骤

📋 作业拆解

Assignment 1: Analysis & Design

⏱ 20h
核心考察
从业务需求拆解到可执行方案，重视指标与证据。
BISM2202 Data Analytics and Information Management 的业务分析与系统方案设计。
要求
提交分析报告、设计文档和关键图表。

Assignment 2: Integrated Project

⏱ 28h
核心考察
数据、流程、系统与治理要素的整合。
完成端到端项目实现或综合案例交付。
要求
包含项目成果、演示材料与复盘。

📝 作业信息

作业形式：2个考试，1个项目案例作业

作业信息取自：2019年第二学期

  • 有两个考试：
    1. 期中考试：占比总成绩 20%，考试细节将在第1周和第6周的讲座中讨论。
    2. 期末考试：占比总成绩 50%，期末考试将测试您对决策理论的理解以及如何在组织的商业智能中实施决策。更多详细信息将在课堂上讨论，并发布到我们的课程Blackboard网站上。
  • 项目作业，占比总成绩 30%，在一个由5个学生组成的小组中（从同一教程开始），您将完成一个需要进行研究并准备报告（3000字）的项目作业。 您的团队将有机会获得使用BA软件的动手技能。 作为评估任务的一部分，还将完成对团队成员的同行评审。

🕐 课表安排

2026 S1 学期课表 · 每周 4 小时

Lecture
Mon16:00 (120)📍 14-116 Sir Llew Edwards Building, Learning Theatre
Tutorial
Tue16:00 (120)📍 39-208 Colin Clark Building, Computer Lab
👤 讲师：Upreti,Bikesh Raj✉️ b.upreti@business.uq.edu.au

📋 课程信息

学分
2 Credit Points
每周课时
2小时Lecture / 2小时Tutorial
含金量
4 / 5
压力指数
3 / 5
期中考试
2001年7月1日

📚 推荐资源

  • Kimball, R and Ross, M., 2013, The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling, 3rd Edition, Wiley.
  • Sharda, R., Dursun, D., and Turban, E., 2018, Business Intelligence, Analytics, and Data Science: A Managerial Perspective, fourth edition, Pearson.
  • Someh, I., and Wixom, B., 2017, Data-Driven Transformation at Microsoft, Research Briefing, MIT Centre for Information Systems Research.
  • Ariyachandra, T., and Watson, H., 2005, Key Factors in Selecting a Data Warehouse Architecture, Business Intelligence Journal, 10 (2), pp: 19-26.
  • Moody, D., and Kortink, M., 2003, From ER Models to Dimensional Models: Bridging the Gap between OLTP and OLAP Design, Part I, Business Intelligence Journal, Summer, pp: 7-24.
  • Wixom, B., and Ross, J., 2017, How to Monetize Your Data, MIT Sloan Management Review. Reprint #58310.
  • Wixom, B. and Markus, L., 2017, To Develop Acceptable Data Use, Build Company Norms, Research Briefing, MIT Centre for Information Systems Research.

💬 学生评价

💭

还没有同学评价这门课，成为第一个分享体验的人吧

写点评

📊 课程画像

压力3 / 5
含金量4 / 5

🏛️ 学校简介

昆士兰大学
布里斯班
牛小匠 Chrome 插件
打开 LMS 自动识别课程，截图问 AI，代码 Debug，Assignment 拆解
✓ 免费安装
牛小匠

🔗 快捷入口

牛小匠 AI 工具
AI 辅导、Assignment 拆解、Debug 辅助
浏览同校课程
横向比较 workload 和考核结构
大学主页
学校介绍、申请信息
申请攻略
专业方向申请决策
新生入学指南
落地和入学准备