30 hp informatik varav minst 7,5 hp programmering alternativt 30 hp data och informationsvetenskap, varav minst 7,5 hp programmering samt Engelska 6.

Kursen är valbar.

Kursen innehåller följande moment:

• Grundläggande begrepp och orientering i digitala metoder och tillämpningar med fokus på datautvinning och dataanalys.
• Utforskande av vanliga typer av datautvinningsuppgifter och tekniker inom affärsutveckling
• Samband mellan datadriven affärsutveckling och social innovation
• Orientering i forskningsdesign med stöd i digitala metoder
• Programmering (Python, Java, R) och användning av datavizualiseringstillämpningar lämpade för arbetet med datautvinning och dataanalys

Kunskap och förståelse
Efter avslutad kurs ska studenten:

• kunna redogöra för centrala begrepp inom data science och datautvinning
• kunna redogöra för centrala steg i digitala metoder för behandling, bearbetning och visualisering av data
• visa på insikt för dataanalys-tillämpningar, utmaningar och möjligheter för dessa i konkreta problemsituationer relaterade till affärsutveckling och sociala innovationer

Färdighet och förmåga
Efter avslutad kurs ska studenten:

• kunna tillämpa digitala metoder på större mängder data för att hitta och analysera relevant information utifrån en problemformulering, samt kunna presentera processen och resultatet.

Värderingsförmåga och förhållningssätt
Efter avslutad kurs ska studenten:

• kunna värdera val av relevanta digitala metoder för olika problemställningar inom affärsutveckling och sociala innovationer
• visa förmåga att göra en bedömning av hur kvalité, mängd och typ av data styr valet av digital metod

Problembaserat arbete utifrån praktikfall med stöd i föreläsningar, workshops, seminarier och laborationer. Praktikfall ska företrädesvis tas fram i samarbete med sociala företag och beskrivas i en individuell rapport som också presenteras muntligt.

Laborationer (miniprojekt, övningar) 5hp
Seminarier, teoretiska begrepp, 2hp
Seminarier, praktiska tillämpningar 2hp
Individuell rapport, praktikfall, 5hp
Muntlig presentation av praktikfall, 1hp

För att bli godkänd på laborationer och seminarier krävs aktivt deltagande och godkänd i varje moment under kursens gång.

För att bli godkänd (A-E) på hela kursen krävs godkänd på laborationer och seminarier samt minst betyget E av studentens måluppfyllelse av kursens samtliga lärandemål. Måluppfyllelsen av varje lärandemål bedöms baserat på den individuella rapporten och den muntliga presentationen med hjälp av en bedömningsmatris, som tillhandahålls av kursansvarig lärare.

• Provost, F. & Fawcett, T. (2015). Data science for Business: [what you need to know about data mining and data-analytic thinking]. (1. uppl.) Sebastopol, Calif.: O'Reilly.
• Salganik, M. J. (2017). Bit by Bit: Social Research in the Digital age. http://doi.org/10.1111/rssa.12375

Utöver ovanstående litteratur tillkommer en samling vetenskapliga artiklar.

Högskolan ger studenter som deltar i eller har avslutat en kurs en möjlighet att framföra sina erfarenheter av och synpunkter på kursen genom en kursvärdering som anordnas av högskolan. Högskolan sammanställer kursvärderingarna samt informerar om resultaten och eventuella beslut om åtgärder som föranleds av kursvärderingarna. Resultaten ska hållas tillgängliga för studenterna. (HF 1:14).

Om en kurs upphört att ges eller genomgått större förändringar ska studenterna, under ett år efter det att förändringen skett, erbjudas två tillfällen för omprov baserade på den kursplan som gällde vid registreringen.

Om en student har beslut om riktat pedagogiskt stöd, har examinator rätt att ge ett anpassat prov eller låta studenten genomföra prov på ett alternativt sätt.