本课程侧重于电子表格建模，以支持服务行业组织的决策制定, 比如医疗保健, 银行, 分布, 和教育. 学生培养批判性思维和解决问题的能力，以解决现实世界的问题. 所获得的电子表格建模功能对管理人员和管理员来说非常实用. 课程主题涵盖显示图表、数据探索. 决策逻辑, 引用函数, 贷款和投资的财务影响, 项目管理, 假设分析, 目的寻求. Visual basic编程等高级工具.
本课程提供有关卫生信息系统（HIS）的基础知识和信息系统在医疗机构有效运作中的作用. 本课程特别侧重于：HIS的演变, 人机交互系统的组成和基本功能, 医疗保健组织的技术基础设施, 基本概念，如电子病历, 快走, CPOE, 和输出电容, HIS标准，如HIPAA, HL7, 、日本, 医疗保健组织的战略信息系统规划, 系统分析和项目管理, 资讯保安问题, 以及卫生保健专业人员在卫生组织中的作用.
完成本课程后, 学生们将掌握技能, 创建, 检查, 管理医疗数据. 本课程向学生介绍当代复杂的数据管理和分析软件，这是最常用的医疗保健行业. 学生将发展数据格式的能力, 数据转换, 进出口数据, 数据采集和清理, 数据字典和数据操作方法, 设置域, 约束, 最佳数据类型, 高级SQL查询, 数据可视化, 以及数据资源的管理，包括备份和恢复.
本课程介绍概念, 技术, 以及用于管理和理解医疗保健数据的工具. 该课程的重点是教学生使用医疗保健数据做出决策, 转变医疗服务方式, 改善公众健康. 学生们将学习如何收集, 过程, 分析, 可视化, 报告结构化和非结构化的临床和操作数据. 涵盖的主题包括医疗保健数据测量、统计分析和数据挖掘. 本课程将讨论与医疗保健分析相关的挑战，如数据隐私, 安全, 和互操作性.
本课程通过开发商业智能解决方案来讨论商业分析的过程, 包括问题定义, 数据准备, 描述性和预测性分析, 评价结果, 实现和部署. 强调使用电子表格和结构化查询语言（SQL）的面向数据的方法用于业务事务捕获, 数据聚合和在线分析处理（OLAP）. 学生将在数据仓库的开发中使用各种软件工具, 包括ETL（提取）, 转换和加载)和可视化数据表示(例如.g.，数据集).
新颖的问题需要创新的解决方案-本课程向学生介绍编程和脚本语言（如R和Python）的强大功能和灵活性, 应用于商业分析中的问题. 学生将学习如何获取和部署与他们的问题相关的软件包, 然后将它们与SQL等工具一起使用来收集和准备数据, 根据具体需求定制分析, 并创建有效传达结果的输出.
本课程向学生介绍社交媒体分析的概念和用于分析社交媒体数据（如文本）的技术, 网络, 和行动. 学生将学习如何从流行的社交媒体平台中提取数据，并使用R等软件工具分析这些数据，以识别趋势, 情绪, 意见领袖和社区.
本课程向学生介绍数据可视化和仪表板. 学生将学习数据可视化的最佳实践, 使用结构化查询语言（SQL）进行数据检索, 提高分析能力, 并学习如何设计仪表板来支持管理决策. 学生将有机会获得数据检索和可视化方面的实践经验. 学生将使用Tableau作为数据可视化和仪表板的主要工具，但将开发可应用于该领域最常见软件包的可转移技能.
本课程为学生提供各种管理决策分析技术的知识和技能，包括大数据分析. 许多定义良好的数据挖掘技术，如分类, 估计, 预测, 亲和分组和集群, 以及数据可视化. 数据挖掘跨行业标准流程（CRISP-DM）也将被讨论. 数据挖掘技术将应用于不同的业务应用，包括：目标营销, 信用风险管理, 信用评分, 欺诈检测, 医学信息学, 电信和网络分析.
本课程向学生介绍企业数据资源的管理和协调，以提高整个企业的决策能力. 学生将学习如何从企业数据中识别关键绩效指标, 如何将企业分析与其他形式的分析区分开来, 如何确定哪些专有数据将提供分析优势，从而对企业产生最大的影响, 最新的分析技术和来自最新案例的最佳实践. 学生将参与一个反复的过程，从组织内的多个功能领域探索数据，以获得可操作的见解，并交流发现，以帮助企业提高决策质量.
本课程使学生全面了解组织环境中与信息安全和信息保障相关的问题和解决方案. 学生学习如何进行与现场安全和安保相关的定量和定性安全风险评估分析, 硬件和软件的可靠性和风险, 以及网络的可靠性和安全性. 学生将进行数据收集和分析方法，以解决预期的失败, 发作的发生率和严重程度, 事故和自然行为, 以及它们对运营和预算的影响.
介绍统计方法，包括概率概念, 推理技术, 方差分析, 回归分析, 卡方分布和其他非参数分析. 本课程侧重于使用计算机进行统计分析. 前提条件：进入MBA课程.
本课程向学生介绍可用于构建预测模型的现代机器学习方法 & 发现数据中的模式，以便更好地进行业务决策. 学生将学习在R编程语言中实现机器学习技术，以理解复杂的数据集. 本课程将使学生能够通过识别从数据驱动的商业智能中获得商业价值的机会来解决商业问题. 先决条件：QUMT 6303或QUMT 3341或同等学历
本课程介绍规范分析的原理和技术. 它们为业务实体和政策制定者提供了评估绩效的合理工具, 做决定, 设计策略, 管理风险. 学生将学习如何使用分析模型来评估在许多商业决策中普遍存在的不确定性. 因为业务问题通常有可选的解决方案, 学生将学习如何使用分析模型来评估各种商业解决方案，并确定最佳的行动方案. 本课程涉及电子表格建模和其他分析包的实践学习经验. 重点是如何运用这些分析方法来促进不同行业和职能领域的管理决策.
电子邮件中生活方方面面数据的增长, 博客, 微博, 传感器, 视频, 和文本使得使用大数据和高级分析技术来支持大规模数据分析成为必要. 本课程是为想要了解分析大数据的核心平台和工具的新手程序员设计的. 本课程在基于云的服务平台上汇集了关键的大数据工具，展示了如何有效地管理大数据. 学生将获得数据科学家如何使用MapReduce等技术的实践经验, 蜂巢, 猪, 和Spark设计和构建大数据应用程序，以解决具有大量数据的业务问题. 主题包括Hadoop架构、社交媒体分析、链接分析和流分析.
