DIENA/STUNDAS
|
SATURS/MĀCĪBU TĒMAS
|
MĀJAS DARBS
|
1. vakars (S.L.)
PRINCIPI
4 akadēmiskās stundas
|
Kāpēc “Digitize
or Die”?
-
Pozitīvie & negatīvie piemēri. Vai tas attiecas uz mani?
Digitālās vides elementi
-
Kādā pozīcijā esam mēs? Kā panākt progresu?
|
Rīks: Kā intervijā atpazīt “šarlatānu”?
M.D.: Organizācijas digitālā brieduma tests
|
2. vakars (S.L.)
IEGUVUMI vs. IZMAKSAS
4 akadēmiskās stundas
|
Digitalizācijas projektu ieguvumi
-
Kādus ieguvumus organizācijām nes digitalizācija?
Digitalizācijas projektu izmaksas
-
Kas mums ir? Kā pietrūkst? Kā samazināt izmaksas?
|
Rīks: Izmaksu/investīciju samazināšanas principi
M.D.: Uzņēmuma atskaišu saraksts
|
3. vakars (A.Ē.)
DATI
4 akadēmiskās stundas
|
Datos balstīti lēmumi
-
Uz kādiem jautājumiem atbild dati?
Interpretācijas kļūdas un to novēršana
-
Kā atšķirt cēloņsakarības no korelācijām?
|
Tests: Cik maksā nepareizi lēmumi?
M.D.: Korelācijas kā cēloņsakarības
|
4. vakars (A.Ē.)
DIGITĀLIE LĒMUMI
4 akadēmiskās stundas
|
Lēmumu pieņemšana
-
Kā praktiski ieraudzīt cēloņsakarības?
Praktiskais darbs cēloņsakarības izveidē
-
Kur ir (vai nav) cēloņsakarības manos datos?
|
Klases
darbs: Korelācija vs. Cēloņsakarību
M.D.: Cēloņsakarības Klientu apkalpošanā
|
5. vakars (N.S.)
CUSTOMER JOURNEY
4 akadēmiskās stundas
|
Klienta ceļojums – Customer Journey
-
Kā caur CJ mazināt izdevumus un audzēt ieņēmumus?
Customer Journey datu ieguve un praktiska izmantošana
-
Kā dati un Machine
Learning palīdz katrā CJ solī?
|
Klases
darbs: Izdevumi/ Ieņēmumi CJ procesā
M.D.: CJ manā kompānijā
|
6. vakars (N.S.)
IEŅĒMUMU PIEAUDZĒŠANA
4 akadēmiskās stundas
|
Ieņēmumu pieaudzēšana no viena klienta
-
Vairāk patēriņa, plašāks grozs, biežāki pirkumi – KĀ?
Proaktīva klientu noturēšana
-
Kā prognozēt un proaktīvi novērst klienta aiziešanu?
|
Klases
darbs: Cik var būt CJ finanšu ieguvums?
M.D.: Kādi KPI ir nozīmīgi manā CJ?
|
7. vakars (A.Ē.)
ATSKAITES & VIZUALIZĀCIJA
4 akadēmiskās stundas
|
Business Intelligence – kas tas ir?
-
Kā atšķiras dati? Kādi ir atskaišu veidi un saturs?
Datu vizualizācijas paņēmieni
-
Kā veidot atskaites un vadības paneļus (dashboard)?
|
Rīks:
Atskaites efektivitātes novērtēšana
Klases darbs: Cik maksā nepareizas atkaites
M.D.: Datu sagatavošana datu stāstiem
|
8. vakars (N.S.)
INTERPRETĀCIJA & LIETOŠANA
4 akadēmiskās stundas
|
Datu interpretācijas un kļūdas
-
Kā stāstīt stāstus (story-telling) caur datiem?
Business Intelligence veikta vienkārši
-
Kā sarežģīto BI veikt patstāvīgi?
|
Rīks: Tulkošanas kļūdas
Klases
darbs: Kā piemānīt ar datiem?
M.D.: Datu stāsts
|
9. vakars (S.L.)
DIGITALIZĀCIJAS PROJEKTI
4 akadēmiskās stundas
|
Digitalizācijas projektu plānošana
-
Kā projektu definēt, ievākt datus un analizēt tos?
Projektu ieviešanas izaicinājumi
-
Kā labas idejas praktiski ieviest, monitorēt, uzturēt?
|
Klases darbs: Pašu projektu gaita & analīze
M.D.: Atkārtots digitālā
brieduma tests
|
10. vakars (S.L.)
DIGITĀLĀ KULTŪRA
4 akadēmiskās stundas
|
Organizācijas un to iekšējā gatavība digitalizācijai
-
Kā pārbaudīt iekšējo gatavību?
Digitālās gatavības uzlabošana
-
Kā sakārtot iekšējos procesus un datu pārvaldību?
|
Klases darbs: Digitālās kultūras elementi
M.D.: Esošās / plānotās stratēģijas sastāvdaļas
|
11. vakars (A.Ē.)
DIGITĀLĀ STRATĒĢIJA
4 akadēmiskās stundas
|
Digitālās stratēģijas formulēšana
-
Kas piedalās? Kam jābūt (un kam nav jābūt) saturā?
Digitālās stratēģijas aktualizēšana
-
Kā veidot stratēģijas ceļa karti (digital road-map)?
|
Klases
darbs: Digitālās stratēģijas izveide
Klases darbs: Digitālās ceļa kartes posmi
|