Ce module présente les modèles linéaires, qui constituent la base de presque toutes les modélisations. Grâce à un examen approfondi des utilisations courantes et à des exemples de modèles linéaires, vous apprendrez à appliquer les modèles linéaires, y compris les fonctions de coût et les fonctions de production, à votre entreprise. Le module comprend également une présentation des processus de croissance et de décroissance en temps discret, de croissance et de décroissance en temps continu, ainsi que les calculs de valeur actuelle et future associés. Les techniques classiques d'optimisation sont abordées. A la fin de ce module, vous serez capable d'identifier et de comprendre la structure clé des modèles linéaires, et de suggérer quand et comment les utiliser pour améliorer les résultats de votre entreprise. Vous serez également en mesure d'effectuer des calculs de valeur actualisée qui sont à la base des mesures d'évaluation. En outre, vous comprendrez comment vous pouvez tirer parti des modèles pour votre entreprise, en utilisant l'optimisation pour affiner et optimiser vos fonctions commerciales

Ce module explique les modèles probabilistes, qui sont des moyens de capturer le risque dans le processus. Vous devrez utiliser des modèles probabilistes lorsque vous ne connaissez pas toutes vos données d'entrée. Vous examinerez comment les modèles probabilistes intègrent l'incertitude et comment cette incertitude se répercute sur les résultats du modèle. Vous découvrirez également comment la propagation de l'incertitude vous permet de déterminer une fourchette de valeurs pour les prévisions. Vous apprendrez les modèles de risque les plus utilisés, y compris les modèles de régression, les modèles à base d'arbres, les simulations de Monte Carlo et les chaînes de Markov, ainsi que les éléments constitutifs de ces modèles probabilistes, tels que les variables aléatoires, les distributions de probabilité, les variables aléatoires de Bernoulli, les variables aléatoires binomiales, la règle empirique et peut-être la plus importante de toutes les distributions statistiques, la distribution normale, caractérisée par la moyenne et l'écart type. À la fin de ce module, vous serez en mesure de définir un modèle probabiliste, d'identifier et de comprendre les modèles probabilistes les plus couramment utilisés, de connaître les composantes de ces modèles et de déterminer les modèles probabilistes les plus utiles pour capturer et explorer le risque dans votre propre entreprise.

Ce module explore les modèles de régression, qui vous permettent de partir de données et de découvrir un processus sous-jacent. Les modèles de régression sont les outils clés de l'analyse prédictive et sont également utilisés lorsque vous devez intégrer l'incertitude de manière explicite dans les données sous-jacentes. Vous découvrirez ce que sont les modèles de régression, ce qu'ils peuvent et ne peuvent pas faire, et les questions auxquelles ils peuvent répondre. Vous examinerez la corrélation et l'association linéaire, la méthodologie pour ajuster la meilleure ligne aux données, l'interprétation des coefficients de régression, la régression multiple et la régression logistique. Vous verrez également comment la régression logistique vous permettra d'estimer les probabilités de réussite. À la fin de ce module, vous serez en mesure d'identifier les modèles de régression et leurs composants clés, de comprendre quand ils sont utilisés et de les interpréter afin de pouvoir discuter de votre modèle et de convaincre les autres que votre modèle a du sens, dans le but ultime de le mettre en œuvre.