Danylo Fursa2026-05-012026-05-012026-05Danylo Fursa «Building a data analytics system for the mHealth sector» Кваліфікаційна робота бакалавра з спеціальності 124 «Системний аналіз» освітньої програми «Інформаційні технології та бізнес-аналітика (Data Science)» Державний торговельно-економічний університет Репозитарій Державного торговельно-економічного університетуhttps://ur.knute.edu.ua/handle/123456789/15702The master's thesis is dedicated to the development of a Clinical Decision Support System (CDSS) for analyzing physiological data in the mobile health (mHealth) sector. The work analyzes the current state of the mHealth market, identifying the problems of data Veracity and the lack of personalization in existing solutions. The use of the CRISP-DM methodology for building an analytical solution is substantiated. A methodology for preprocessing "noisy" data from wearable devices has been developed. Two machine learning models were built and optimized: a Random Forest regression model for predicting physical performance (R² ≈ 0.57) and a K-Means clustering model for identifying typical user profiles. The practical value of the work lies in the creation of a fully functional web application based on Python and Streamlit, which implements dual analysis logic (prediction and profiling) and ensures the interpretability of results for the user. Магістерська робота присвячена розробці системи підтримки прийняття рішень (СППР) для аналізу фізіологічних даних у сфері мобільного здоров'я (mHealth). В роботі проаналізовано сучасний стан ринку mHealth, виявлено проблеми достовірності даних (Veracity) та відсутності персоналізації в існуючих рішеннях. Обґрунтовано використання методології CRISP-DM для побудови аналітичного рішення. Розроблено методику передобработки "зашумлених" даних з ношених пристроїв. Побудовано та оптимізовано дві моделі машинного навчання: регресійну модель Random Forest для прогнозування фізичної продуктивності (R² ≈ 0.57) та модель кластеризації K-Means для визначення типових профілів користувачів. Практична цінність роботи полягає у створенні повнофункціонального веб-додатку на базі Python та Streamlit, який реалізує подвійну логіку аналізу (прогнозування та профілювання) та забезпечує інтерпретованість результатів для користувача.en-USAttribution-NonCommercial-NoDerivatives 4.0 InternationalBachelor Thesis