Business Data Science - von Daten zu Prognosen und Entscheidungen
- Fakultät
Fakultät Wirtschafts- und Sozialwissenschaften (WiSo)
- Version
Version 2 vom 26.02.2025.
- Modulkennung
22M1097
- Niveaustufe
Master
- Unterrichtssprache
Deutsch
- ECTS-Leistungspunkte und Benotung
5.0
- Häufigkeit des Angebots des Moduls
nur Wintersemester
- Dauer des Moduls
1 Semester
- Kurzbeschreibung
Entscheidungen auf allen Unternehmensebenen werden mehr und mehr datengetrieben gefällt. Das Modul macht diese Entscheidungsprozesse und den algorithmischen Rahmen auf praktische Weise transparent und zugänglich.
- Lehr-Lerninhalte
1. Softwaregestützte Datenaufbereitung – Allgemeines
2. Lineare Regression
3. Logistische Regression
4. Entscheidungsbäume
5. Texte als Datengrundlage
6. Clustering
7. Visualisierung
8. Ausgewählte Verfahren der Optimierung / Operations Research
- Gesamtarbeitsaufwand
Der Arbeitsaufwand für das Modul umfasst insgesamt 150 Stunden (siehe auch "ECTS-Leistungspunkte und Benotung").
- Lehr- und Lernformen
Dozentengebundenes Lernen Std. Workload Lehrtyp Mediale Umsetzung Konkretisierung 40 Seminar Präsenz - 5 betreute Kleingruppen Präsenz - Dozentenungebundenes Lernen Std. Workload Lehrtyp Mediale Umsetzung Konkretisierung 50 Prüfungsvorbereitung - 55 Arbeit in Kleingruppen -
- Benotete Prüfungsleistung
- Klausur oder
- Portfolio-Prüfungsleistung oder
- Portfolio-Prüfungsleistung
- Bemerkung zur Prüfungsart
PFP-1: (100 Punkte) umfasst eine einstündige Klausur (50 Punkte) und ein schriftlicher Projektbericht (50 Punkte).
PFP-2: (100 Punkte) umfasst eine einstündige Klausur (50 Punkte) und eine Hausarbeit (50 Punkte).
- Prüfungsdauer und Prüfungsumfang
Klausur: Siehe jeweils gültige Studienordnung
Schriftlicher Projektbericht im Rahmen der Portfolio-Prüfung: ca. 10 - 20 Seiten
Hausarbeit im Rahmen der Portfolio-Prüfung: ca. 10 - 20 Seiten
Die Anforderungen werden in der jeweiligen Veranstaltung konkretisiert.
- Empfohlene Vorkenntnisse
Umgang mit Serien von Fehlermeldungen, wie sie bei der Entwicklung technischer Systeme üblich sind.
- Wissensverbreiterung
Die Studierenden beherrschen Grundtechniken der Datenanalyse, können Fragen aus der Praxis in die geeignete rechnergestützte Modellierverfahren übersetzten, können die Ergebnisse evaluieren, Interpretieren und Visualisieren und somit die Praxisentscheidungen unterstützen. Die Studierenden beherrschen die Grundtechniken der rechnergestützten Datenanalyse mit der speziellen Stoßrichtung der Kommunikation des Vorgehens und der Ergebnisse an andere Fach- und Führungskräfte. Sie können diese Kenntnisse mittels eigener Programmierung und in einem vom Dozenten festzulegenden Softwareframework exemplarisch umsetzen.
- Wissensvertiefung
Die Teilnehmer kennen auch planerische Implikationen der Verfahren und können Aufwände bei den Vorverarbeitungs-, Modellierungs- und Interpretationsschritten der Datenanalyse abschätzen.
- Nutzung und Transfer
Die Studierenden können mit einem professionellen Softwareframework Modelle erstellen, evaluieren und Interpretationen stützen.
- Kommunikation und Kooperation
Die Studierenden, die dieses Modul erfolgreich studiert haben, können die Ergebnisse ihrer Hausarbeit präsentieren und ihre Lösungen und Methoden schriftlich sowie mündlich darstellen.
- Wissenschaftliches Selbstverständnis / Professionalität
Die Studierenden kennen professionelle Software-Tools zur Datenanalyse. Sie können ihre Einsetzbarkeit für unterschiedliche Anwendungen beurteilen.
- Literatur
Géron, Aurélien. Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow: Konzepte, Tools und Techniken für intelligente Systeme. O'Reilly, 2020. Field, Andy. Discovering statistics using IBM SPSS statistics. Sage, 2013.
Andy Field, Jeremy Miles, and Zoë Field. Discovering Statistics Using R. SAGE Publications, 2012.
Hyndman, Rob J., and George Athanasopoulos. Forecasting: principles and practice. OTexts, 2014.
Michalski, Ryszard S., Jaime G. Carbonell, and Tom M. Mitchell, eds. Machine learning: An artificial intelligence approach. Springer Science & Business Media, 2013.
Runkler, Thomas A. Data Mining: Modelle und Algorithmen intelligenter Datenanalyse. Springer-Verlag, 2015.
Wollschläger, Daniel. Grundlagen der Datenanalyse mit R: eine anwendungsorientierte Einführung. Springer-Verlag, 2015.
- Zusammenhang mit anderen Modulen
Die Analyse von Datensätzen und daraus abgeleitete Handlungsempfehlungen sind in allen Modulen anwendar, die empirisch arbeiten.
- Verwendbarkeit nach Studiengängen
- Management im Gesundheitswesen, M.A.
- Management im Gesundheitswesen, M.A. (01.09.2024)
- International Business and Management (Master)
- International Business and Management, M.A. (01.09.2024)
- Business Management
- Business Management, M.A. (01.09.2024)
- Controlling und Finanzen
- Controlling und Finanzen M.Sc. (01.09.2026)
- Modulpromotor*in
- Faatz, Andreas
- Lehrende
- Faatz, Andreas