课程结构

决策分析博士(DDA) 课程设有三大主要范畴:

1
四个教学核心单元; 
2
至少四个教学选修单元; 
3
兩个专业及研究单元。

核心单元

四个教学核心单元

这个单元介绍了应用统计方法在资料科学中的综合性运用。它为学生提供必要的知识,以便更深入理解课程中其他单元所呈现的内容。主题包括探索性资料分析、资料视觉化、机率、离散与连续机率分配、点估计与信赖区间估计、假设检定以及回归分析。

这个单元旨在向学生展示处理大数据的程式设计技巧,包括如何从多种来源取得资料,以及如何以具说服力且资讯丰富的方式进行资料视觉化。学生将学习大数据的特性、生态系统、框架,以及相关的伦理议题,并掌握以程式方式处理资料的方法,重点涵盖资料来源连接、资料前处理流程、探索性资料分析、资料视觉化与资料报告。课程同时提供实作机会,使学生能亲身体验资料准备、探索、分析与视觉化的程式设计过程。

这个单元旨在引导学生认识决策分析研究方法的基本概念与技术,特别着重于量化研究。课程采用循序渐进且强调实作的方式,协助学生在决策情境中理解、应用并诠释资料。透过实例演练、小组讨论与互动活动,学生将学习如何提出研究问题、搜集与分析资料、运用统计方法,以及有效地呈现研究成果。此外,本单元亦探讨与量化研究相关的伦理考量。

质性研究是一种重要的方法,能够让研究者深入探讨复杂的现象,理解个人的主观经验,并揭示社会与文化实践背后的意涵。本单元以清晰且实用的方式,向学生介绍质性研究的基本原理。课程提供循序渐进的指引,协助学生理解、搜集与分析质性资料,同时也涵盖质性研究中所涉及的伦理考量。

兩个专业及研究单元

本单元包含一系列专业和研究活动,包括专业讲座系列、研究研讨会/工作坊以及研究/企业参观。这些活动围绕着特定主题展开,旨在为学生提供决策分析方面的高级知识,并提升其专业/研究技能。此外,本单元还包括学生报告和考察/实地考察。学生需以专业的方式向同学和教授展示其研究成果,包括论文进展和考察结果。这种环境不仅有利于分享实务经验,也使学生有机会与来自不同领域的优秀人才建立联系。本单元为期一年,采用及格/不及格的评分制度。

本单元主要以独立研究为主,学生可在单元协调员(决策科学学院教授)的指导下进行经批准的研究计画。学生需整合在决策分析领域所掌握的知识与技能,并撰写博士论文。论文的原创性应体现在以下三个方面:(i) 发现新的事实或理论;(ii) 展示创新性和/或批判性思维;(iii) 识别该领域内的实际问题并进行深入研究,旨在发现新的理解,最终提出新的解决方案。此外,学生还需以专业的方式向论文答辩委员会进行研究成果的展示和答辩。学生在准备论文和答辩时应参考论文指南。

本单元采用及格/不及格的评分制度。论文答辩委员会将评估论文品质和答辩情况,以确定学生是否顺利通过本单元。

选修单元

至少4个选修单元(选择至少两个集群, 每一集群选择至少一个单元)

数据分析集群

这个单元旨在为学生提供数据分析技术,以解决风险管理中的实际问题。学生将学习一套用于数据可视化的统计工具,并应用数据分析技术,例如分类、关联规则、聚类分析和降维,来分析现实生活中的问题,以及讨论与数据使用相关的伦理问题。本科学生需要有效地合作完成一个团队项目。

这个单元探讨商业和金融时间序列的方法论及其应用。主题包括分析时间序列的统计工具、平稳和非平稳时间序列的模型、季节性、预测技术、异方差性、ARCH和GARCH模型,以及多变量时间序列。

这个单元深入探讨模拟技术及其在风险管理中的应用。课程首先概述了模拟的定义和历史背景,并强调其在有效管理风险中的重要性。透过这单元,学生将了解随机变数的生成,包括伪随机数、离散及连续随机变数和随机向量,以及详细探讨模拟数据的统计分析,包括样本均值和方差、置信区间的构建,以及自助抽样法技术的应用。为了进一步提高模拟数据的准确性,课程深入研究方差减少技术,如控制变量法、对偶变数法、条件减少方差和分层抽样。最后,课程将探讨模拟在风险管理中的其他应用,包括评估奇异期权和开发保险风险模型。

这个单元介绍了数据分析中线性和非线性模型的各种进阶方法,并讨论其背后的数学原理及其当代的实际应用。主要主题包括主成分分析、多项式回归、光谱回归、核回归、逻辑回归、贝叶斯分类器、分类与回归树、EM算法和MM算法。课程中将教授利用统计软件应用这些进阶数据分析工具。

本科涵盖数据管理的理论和系统。除了使用关系数据库的传统数据管理概念外,大数据还具有传统数据库无法处理的大量非结构性数据。本科的重点是满足大数据需求的计算技术,包括分布式存储﹑数据库即服务范式和NoSQL。本科也会使用最先进的系统(例如MongoDB)对学生进行实务技能培训。

本科研究网页和移动服务等大数据应用程序在安全性和隐私性方面的新兴趋势和问题。大数据分析可以对企业和社会带来好处,但大数据分析亦涉及收集敏感甚至机密的个人数据。如果处理不当,可能对个人﹑企业和社会造成毁灭性后果。因此,本科将着重于识别此类大数据应用程序中的安全性和隐私问题以及挑战。本科将探索用于实施安全性和保护隐私的现有方法和可用工具,并使学生能够评估解决安全或隐私问题的方案。

本单元为学生提供机器学习方法和演算法,用于解决实际问题。所选主题包括监督学习、无监督学习、整合学习、核方法、单元评估以及机器学习高级主题。学生还需有效地进行团队合作以完成专案。

本单元旨在为学生提供深度学习的理论知识和实践技能,使其能够开发用于各种应用的现代神经网路。课程将介绍最佳化、反向传播、正规化、模型训练与验证、过度拟合、深度神经网路等理论和概念。此外,本单元还将使学生掌握运用深度神经网路解决日常决策问题的技能。

本单元旨在让学生了解资料科学(DS)前沿研究领域的最新趋势。它着重于透过教授现代资料科学研究中使用的新方法来拓宽学生的知识面。课程采用实际案例进行讲解。学生将学习数据分析的计算和数值技能及技巧。课程主题根据单元协调员的专业知识和兴趣而定。

供应链分析丛集群

本单元旨在介绍与营运管理相关的知识、技能和技巧。具体而言,本单元着重探讨营运管理领域的一些当代议题,旨在为学生提供营运职能对企业成功至关重要的最新视角。

本单元旨在使学生掌握分析框架、方法和工具的理解和基础知识,以便在全球范围内制定、实施和评估管理关键供应链运营和物流活动(包括采购、仓储和运输)的有效策略和战术。

本课程整合了全面的货运物流管理和货物运输相关的法律知识。课程重点介绍货物运输的技术、运营和监管方面的内容,并培养学生在货运管理中制定定价、成本核算和运营等战略决策的管理技能。课程也将探讨影响运输物流各个面向及主要利害关系人的最新趋势、政策和技术。

策略采购管理 (SPM) 是企业在瞬息万变的市场环境中追求竞争力和繁荣发展的基石。它作为一种商业策略,指导企业的竞争力以及相关供应链的绩效。因此,全面掌握并执行和管理各项 SPM 活动(例如供应寻源和外包、供应链整合、供应链成本核算以及合约管理和控制)的员工,将成为企业宝贵且不可替代的资产。

本单元旨在为学生提供 SPM 的先进概念和技术。学生将学习 SPM 的最新知识和技能,为成为采购专业人员做好准备,并在组织中发挥关键作用,负责基于营运和供应链管理的整体视角制定策略采购决策。

本课程教授一系列用于实际决策的定量方法,并专注于供应链管理问题。涵盖的方法包括线性规划、网路模型、非线性规划、机器学习技术以及模拟建模与评估。课程结束时,学生需要针对选定的供应链管理主题,建立一个基于约束或资料驱动的决策支援系统。

本单元旨在为学生提供供应链业务流程控制、改进和设计方面的高级概念和技术。

本课程全面介绍专案管理。重点在于如何在资源和时间限制下成功管理各类项目,特别着重于供应链相关项目。课程内容涵盖提案撰写与规划、监控与控制、风险管理、绩效评估以及专案管理软体等架构。本课程涵盖专案管理知识体系(PMBOK)中的许多主题,有助于学生准备CAPM/PMP考试。除了传统的专案管理方法外,本课程还探讨了敏捷专案管理技术,该技术常用于管理IT和供应链管理领域中高度不确定的专案。

海量资讯的涌现为利用分析技术获取供应链规划和控制的关键资讯铺平了道路。资讯科技和数据科学的最新进展促进了数据驱动决策的快速发展。为了顺应这一趋势,本单元着重于高阶分析和商业智慧在供应链管理中的应用。学生需要运用分析技术、工具和新的资料来源,以便更好地了解供应商并解决供应链问题。本单元的主要目标是使学生熟悉供应链设计和营运相关的战术和策略问题,培养解决实际问题的供应链分析技能,并教导学生预测分析、描述分析和规范分析等领域的各种方法和工具,以高效管理供需网路。

本单元重点在于资讯技术,特别是企业系统,如何影响采用该技术的组织,并在不断发展的互联网驱动型商业环境中实现电子商务创新。从策略角度来看,企业需要关键的企业系统来提高其复杂业务流程的效率和效能,并增强其线上影响力。为了充分利用资讯技术并最大限度地发挥其效益,本单元将分析各种类型的企业系统、技术和架构,以及它们对组织内部(包括业务职能领域)和外部环境的影响。本单元也将探讨企业系统在电子商务和供应链环境中的角色和功能,以及不同的电子商务商业模式。学生还将有机会亲身实践企业系统软体包(例如 SAP),该软体包能够整合和管理企业内的数据,从而成功执行业务运营,更重要的是,能够将业务运营与客户和供应商无缝连接起来。透过研讨会和小组讨论,学生将为各种业务场景配置企业系统单元(例如 MM、SCM、CRM、HRM 和采购),并研究业务报告流程以支援策略决策。

在资讯通信技术快速发展的全球动态营运环境中,数位化供应链和资讯流管理的重要性已被广泛认可。然而,由于系统整合问题,许多组织无法充分利用快速发展的技术优势。因此,电子物流系统解决方案作为一种整合的智慧方法,能够促进整个供应链中各组织内部及组织间顺畅的资讯流动。

本单元旨在为学生提供管理电子物流资讯科技的综合知识。本单元分为两部分。首先,回顾和评估新兴资讯技术的应用及其优势,例如行动应用、云端资料库和无线射频识别(RFID)。其次,介绍资讯科技解决方案的设计与开发,以及相关的理论与技术。

本单元旨在使学生了解供应链管理(SCM)前沿研究领域的最新趋势。它着重于透过教授现代SCM研究中使用的新方法来拓宽学生的知识面。课程采用实际案例进行讲解。课程主题根据单元协调员的专业知识和兴趣而定。

商业分析集群

本单元旨在为学生提供管理会计和成本会计方面的广泛知识。它重点在于讲解如何在商业决策中应用成本会计概念和技术。本单元涵盖定量和定性方法。此外,本单元还强调会计资讯与管理活动之间的联系,例如策略和营运决策、财务规划和控制、组织设计以及绩效评估。本单元旨在培养学生的批判性思维、分析能力和职业道德意识,以辅助其在管理会计领域做出决策。

本单元探讨当前及新兴的货币与支付、市场和消费者体验相关技术,并深入研究金融、监管、银行、保险和社会包容等关键理念、原则和框架。其目标是为学生提供应对这一充满挑战的领域所需的洞察力和知识,使学生具备参与这一新兴领域的技能,并为他们提供资源和支持,帮助他们塑造自身的金融科技创新和创业项目。

本单元旨在帮助学生深入了解经济和金融市场的最新发展动态,并培养他们分析全球金融相关议题的能力。课程主题涵盖广泛,涉及金融市场学术和专业研究的各个层面,尤其着重探讨中国经济变革带来的挑战及其对世界市场的影响,并分析改革中国金融市场的各种策略。透过邀请备受尊敬的金融业领袖和商业专家分享他们对当前市场状况以及金融机构在塑造未来中所扮演角色的见解,学生可以深入了解影响金融稳定的政策决策和实践。

本单元着重探讨全球环境下组织管理所面临的挑战与机会。透过本单元,学生可以全面了解全球化进程及其对当代商业环境的影响。课程内容包括国际管理理论与概念的介绍,以及组织问题批判分析的训练。学生需积极进行研究,运用所学知识解决全球管理者普遍面临的组织问题,并有系统地向全班同学展示他们的研究成果和解决方案。

本单元旨在帮助学生探索新兴数位科技如何影响传统行销实践。它将深入分析网路经济中网路使用者的特征和消费者行为,并着重讲解数位行销环境下行销策略和战术所需的知识和技能。

本单元着重于当代策略行销的全球化特性。其目标是帮助学生理解行销策略和战术如何在瞬息万变的全球市场中与经济、贸易、社会文化以及政治法律法规等因素相互作用;应对制定、实施和评估跨国行销策略所面临的管理挑战;培养学生进行复杂决策所需的批判性思维和分析能力;并透过团队合作和其他体验式学习活动,提升学生的人际交往和沟通能力。

本单元旨在为学生提供管理资讯科技创新所需的高级知识和技能。它探讨了新兴技术和颠覆性技术对创业型企业成功的重要角色。它培养学生的批判性思维,使其能够评估和企业在创业环境中采用创新的准备和能力。学生将学习如何从策略角度应用资讯科技创新,从而为企业和市场创造价值。

建议学习计划

授课部分第一学年第一学期:SDSC 6001、6002,任意两个选修单元
第一学年第二学期:SDSC 7001、7002,任意两个选修单元
专业与研究部分第二学年第一学期:SDSC 7003、7004
第二学年第二学期:SDSC 7003、7004
第三学年第一学期:SDSC 7004
第三学年第二学期:SDSC 7004
授课部分第一学年第一学期:SDSC 6001、6002
第一学年第二学期:SDSC 7001、7002
第二学年第一学期:任意两个选修单元
第二学年第二学期:任意两个选修单元
专业与研究部分第三学年第一学期:SDSC 7003、7004
第三学年第二学期:SDSC 7003、7004
第四至六学年:SDSC 7004

学分转换 / 单元免修政策

  1. 学分转换/单元免修可适用于在本大学或其他认可的高等院校成功完成的同等级单元。
  2. 转换的学分或免修的单元相关的资格/奖项,一般必须是在入学本大学之前不超过八年内获得。
  3. 在入学时,转换的学分或免修的单元的数量上限由课程规定,不得超过在香港恒生大学已录取的课程要求的50%。即专业博士生必须完成至少50%的课程要求。住宿单元和专业博士论文不允许学分转换/单元免修。
  4. 转换的学分将计入毕业要求,但不会计入学生的累积总平均绩点 (cGPA) 内。
  5. 每个免修的单元应由相同学分值的单元替代。免修的单元将不计入学生的累积总平均绩点 (cGPA) 内。
  6. 学分转移/单元免修一般会在入学后首学期开始之前处理。申请及相关文件应于入学后首学期开始前两周提交给研究生院。
  7. 学分转换/单元免修将由课程主任进行审核和批准。
+852 3963 5605

© 2026 香港恒生大学 版权所有  |  私隐政策