Õppeaine eesmärk on kujundada üliõpilasel arusaam andmete olemusest ja rollist eri tarneahelates ja liikuvussüsteemides ning oskust rakendada andmeid nende süsteemide tõhususe tõstmiseks nii teoorias kui ka praktikas.

The aim of the course is to develop in the student an understanding of the nature of data and its role in various supply chains and mobility systems, and the ability to apply data to improve the efficiency of these systems, both in theory and practice.

Õppeaine läbinud üliõpilane:
- analüüsib ja visualiseerib tarneahelate ning liikuvussüsteemide andmeid, kasutades kaasaegseid andmeanalüüsi tööriistu ning põhjendades tehtud valikuid;
- eristab ettevõtte või organisatsiooni vajadusest lähtudes olulisi ja ebaolulisi andmeid, hinnates nende usaldusväärsust, tõenduspõhisust ning rakendatavust otsustusprotsessis;
- koostab koostöös IT-teenuse pakkujaga selge ja struktureeritud lähteülesande, kasutades eesmärgipärast suhtlust ja koostööoskusi;
- rakendab andmestandardeid, andmevahetuse protokolle ning küberturvalisuse põhimõtteid andmete vastutustundlikul käitlemisel tarneahelate ja liikuvuse kontekstis;
- kavandab ja viib läbi tarneahela või liikuvussüsteemi protsesside simulatsiooni, et hinnata ja optimeerida süsteemi toimivust;
- hindab kriitiliselt andmepõhiste ja IKT-tehnoloogiate rakendatavust ning nende eetilisi ja ühiskondlikke mõjusid tarneahelates ja liikuvussüsteemides;
- koostab andmepõhise ettepaneku või strateegia digitaliseerimise arendamiseks tarneahelas või liikuvussüsteemis ning esitleb ja argumenteerib seda sihtrühmale arusaadavalt.

After completing this course the student:
- analyzes and visualizes data from supply chains and mobility systems, using modern data analysis tools and justifying the choices made;
- distinguishes important and irrelevant data based on the needs of the company or organization, assessing their reliability, evidence-based nature and applicability in the decision-making process;
- prepares a clear and structured task in cooperation with an IT service provider, using purposeful communication and collaboration skills;
- applies data standards, data exchange protocols and cybersecurity principles in the responsible handling of data in the context of supply chains and mobility;
- designs and conducts simulation of supply chain or mobility system processes to assess and optimize system performance;
- critically evaluates the applicability of data-based and ICT technologies and their ethical and societal impacts in supply chains and mobility systems;
- prepares a data-based proposal or strategy for developing digitalization in the supply chain or mobility system and presents and argues it in a way that is understandable to the target group.

Aine käsitleb andmete rolli ja väärtust tarneahelates ja liikuvussüsteemides, alates digitaliseerimisest kuni suurandmete analüüsi ja küberturvalisuseni. Teemad hõlmavad andmekaitset ja andmete usaldusväärsust, sensor- ja IoT-rakendusi, RFID- ja tehisintellekti tehnoloogiaid, ERP- ja andmebaasisüsteeme, andmestandardeid ja masinloetavust, ruumiandmete analüüsi ja visualiseerimist. Samuti käsitletakse simulatsioone protsesside optimeerimisel ning andmepõhiste strateegiate kujundamist digitaliseerimise edendamiseks. Õppimine toimub probleemipõhiste ülesannete, rühmatööde ja iseseisva analüüsi kaudu, arendades kriitilise mõtlemise, enesejuhtimise, koostöö ja eetilise vastutuse pädevusi.

The course examines the role and value of data in supply chains and mobility systems, from digitalization to big data analytics and cybersecurity. Topics include data protection and data reliability, sensor and IoT applications, RFID and artificial intelligence technologies, ERP and database systems, data standards and machine readability, as well as spatial data analysis and visualization. Simulations for process optimization and the development of data-driven strategies to advance digitalization are also addressed. Learning takes place through problem-based tasks, group work, and independent analysis, fostering competencies in critical thinking, self-management, collaboration, and ethical responsibility.

Eristav kokkuvõttev analüütiline hindamine (E)
Kahe rühmatöö analüüs ja esitlus (kokku 40% lõpphindest): andmete kogumine ja töötlemine valitud juhtumiuuringute põhjal, tulemuste kriitiline hindamine ja esitlus.
0–10%: ülesanded täitmata või väga nõrgad, seos aine eesmärgiga puudulik;
11–25%: ülesanded tehtud, kuid esineb ebatäpsusi ja nõrka argumentatsiooni;
26–40%: ülesanded tehtud põhjalikult, tulemused argumenteeritud ja hästi esitatud.

Eksam (60%): kõikide õpiväljundite kontroll.
0–20%: väga puudulikud teadmised, olulised lüngad;
21–40%: rahuldavad teadmised, kuid märgatavad ebatäpsused;
41–50%: head teadmised, üksikud vead;
51–60%: väga head teadmised ja süstemaatiline käsitlus.

Differentiated summative analytical assessment
Analysis and presentation of two group assignments (total 40% of the final grade):
data collection and processing based on selected case studies, critical evaluation of results, and presentation.
0–10%: tasks not completed or very weak; insufficient connection to the course objective.
11–25%: tasks completed, but inaccuracies and weak argumentation are present.
26–40%: tasks completed thoroughly; results are well-argued and clearly presented.

Exam (60%): assessment of all learning outcomes.
0–20%: very insufficient knowledge, major gaps;
21–40%: satisfactory knowledge, but noticeable inaccuracies;
41–50%: good knowledge with minor errors;
51–60%: very good knowledge and systematic approach.

Töö õppematerjalidega MOODLE keskkonnas. Seminaritöö etapiline tegemine ning selle vahetulemuste esitlemine. Õppejõudude poolt jaotatavad ülesanded ja kaasused.

Work with study materials in the MOODLE environment. Step-by-step preparation of a seminar paper and presentation of its interim results. Assignments and case studies provided by the lecturers.

Ruumiliste loodusandmete statistiline analüüs : õpik-käsiraamat (https://www.digar.ee/arhiiv/nlib-digar:120450);
McKinney, W. (2012) Python for Data Analysis: Data wrangling with Pandas, NumPy and iPython, First edition. O´Reilly Media;
Data Science for Supply Chain Forecasting Nicolas Vandeput De Gruyter (2021);
Computer Security: principles and Practice / William Stallings, Lawrie Brown, University of New South Wales, Australian Defence Force Academy (2012); https://unidel.edu.ng/focelibrary/books/Computer%20Security%20_%20Principles%20-%20WILLIAM%20STALLINGS_2089.pdf;
Supply Chain Digital (ajakiri): https://supplychaindigital.com/, artiklid õppejõu valikul;
MIT Center for Transportation & Logistics: https://ctl.mit.edu/, materjalid õppejõu valikul;
Kaggle - Supply Chain datasets: https://www.kaggle.com/datasets?search=supply+chain;
IBM Developer - Supply Chain Analytics: https://developer.ibm.com/technologies/analytics/

-