Studienverlaufsplan im Studiengang Business Analytics, M.Sc.

Beispiel für einen Studienverlauf mit Studienbeginn im WiSe

Business Analytics (Pflichtmodul 6 LP)

Im Modul „Business Analytics“ lernen die Teilnehmerinnen und Teilnehmer die Funktion, den Aufbau und die Instrumente des Business-Analytics-Prozesses kennen und anhand fundierter Methoden die im Unternehmen zur Verfügung stehenden großen Datenmengen („Big Data“) in sinnvolle betriebswirtschaftliche Entscheidungen zu überführen. Im Modul wird anhand anschaulicher Fallstudien, Übungen und interaktiver Elemente Wissen erworben, das Ihnen zu besseren Entscheidungen, besseren Produkten und neuartigen Services verhilft. Behandelte Themen sind u.a. grundlegende Algorithmen (u.a. des Machine Learning), die betriebswirtschaftliche Interpretation der Ergebnisse sowie Visualisierung.

Stochastische Modellierung und Simulation (Pflichtmodul 6 LP)

Ein wichtiger Bestandteil des „Business-Analytics-Prozesses“ ist die geeignete stochastische Modellierung von umfangreichen empirischen Daten (Big Data), die zunehmend automatisiert erhoben werden. Durch die Anwendung stochastischer Methoden zur Datenanalyse (wie z.B. maschinelle Lernverfahren) werden aktuelle Probleme identifiziert und darauf basierend zukünftige Entwicklungen modellbasiert prognostiziert. Im Modul "Stochastische Modellierung und Simulation" werden zentrale Begriffe, Zusammenhänge und Methoden der Stochastik intuitiv eingeführt und anhand zahlreicher Beispiele illustriert. Praxisnahe Übungen vermitteln so ein tieferes Verständnis für die vielseitige Anwendbarkeit der betrachteten mathematischen Tools.

Controlling* (Wahlmodul 6 LP)

Controlling ist für die erfolgreiche Führung eines Unternehmens unabdingbar, da es das Management mit unternehmensbezogenen Daten und Analysen versorgt und somit fundierte Entscheidungen auf allen Unternehmensebenen ermöglicht. Der Stellenwert des Controllings ist aufgrund seiner zentralen Bedeutung beider Entscheidungsfindung und Verhaltenssteuerung in den vergangenen Jahrzehnten kontinuierlich gestiegen. Konkret werden den Teilnehmerinnen und Teilnehmern in diesem Modul grundlegende Aufgaben, Konzepte und Instrumente zur Planung, Steuerung und Kontrolle von wirtschaftlichen Entscheidungen im Unternehmen vermittelt. Die Studierenden können das normative, strategische und operative Controlling der jeweiligen Unternehmensführungsebenen unterscheiden sowie deren Ziele und Methoden beschreiben. Die Teilnehmerinnen und Teilnehmer können die Bedeutung der Koordination als zentrale Funktion des Controllings erklären und organisationale Aspekte des Controllings diskutieren.

* Es kann ein beliebiges Wahlmodul ausgewählt werden.
 

Strategisches Management (Pflichtmodul 6 LP)

Im Modul „Strategisches Management“ werden Strategieentwicklung, Strategieimplementierung und Strategiereview behandelt. Im Vordergrund steht die Situationsanalyse des Unternehmens, die Erarbeitung von Strategieoptionen und deren Bewertung. Dabei werden auch neue digitale Geschäftsmodelle behandelt (bspw. Internet of Things und digitale Plattformen). Darüber hinaus wird ein Schwerpunkt auf die konkrete Umsetzung der Strategie gelegt. Dazu gehört die Ableitung strategischer Ziele, deren Berücksichtigung in der Budgetierung sowie die Strategiekommunikation.

Grundlagen von Datenbanksystemen (Pflichtmodul 6 LP)

Studierende erlernen die grundlegenden Konzepte und Mechanismen von modernen Datenbanksystemen. Sie sind in der Lage, für ein gegebenes Problem ein Datenmodell zu entwerfen, das Anomalien verhindert. Sie können dieses Modell in einem relationalen Datenbanksystem auf Tabellen abbilden und mit Hilfe der Abfragesprache SQL implementieren. Gegebene Modelle und Datenbankschemata werden in Aufbau und Bedeutung verstanden und können problembezogen adaptiert werden. Studierende können problembezogene Abfragen in SQL formulieren. Sie verstehen die SQL zugrundeliegenden mathematischen Operationen der Relationenalgebra und können damit die Semantik von SQL erklären. Zudem können die Studierenden die grundlegenden Unterschiede von NoSQL- und SQL-Systemen benennen. Sie bekommen damit die geforderten Kompetenzen um höhere auf Datenbanken basierende Konzepte wie Business-Processes und Data-Mining zu verstehen und anzuwenden.

Angewandte Statistik und prädiktive Methoden** (Wahlmodul 6 LP)

Das Modul vermittelt Grundlagen statistischer Data Science. Dazu führt das Modul kurz in Grundbegriffe der Statistik wie Konfidenzintervalle und Hypothesentests ein und diskutiert anschließend lineare Modelle und die logistische Regression. Im weiteren Teil lernen Sie Methoden der angewandten Statistik kennen, die notwendig sind, um Prädiktionsmodelle unter statistischer Unsicherheit zu entwickeln und diese zu bewerten.

**Für die Belegung muss zunächst das Modul „Stochastische Modellierung und Simulation“ abgeschlossen werden.
 

Business Process Management (Pflichtmodul 6 LP)

Die Teilnehmerinnen und Teilnehmer sind nach erfolgreicher Absolvierung des Moduls in der Lage, Geschäftsprozesse auf fachlicher Ebene zu analysieren, modellieren und optimieren. Sie können die dazu verfügbaren Methoden, Konzepte und Software-Werkzeuge anwenden. Des Weiteren können sie erklären, wie sich Geschäftsprozesse durch Informationssysteme unterstützen lassen und sind in der Lage, die für die Realisierung solcher prozessorientierten Informationssysteme bestehenden Anforderungen zu benennen. Die Teilnehmerinnen und Teilnehmer können darüber hinaus die wesentlichen Charakteristika, Komponenten und Funktionen prozessorientierter Informationssysteme beschreiben und in einer Gesamtarchitektur einordnen. Weiter sind sie in der Lage, verschiedene Paradigmen zur Modellierung und Entwicklung prozessorientierter Informationssysteme zu beschreiben und anzuwenden sowie deren Vor- und Nachteile zu bewerten. Schließlich sind die Teilnehmerinnen und Teilnehmer befähigt, ausgewählte Prozessszenarien mithilfe eines Prozess-Management-Systems zu implementieren.

Projektarbeit (6 LP)

Die Studierenden erweitern im Rahmen dieses Moduls die Fähigkeit, ein Thema aus der aktuellen Forschung des Bereiches Business Analytics unter Beachtung wissenschaftlicher Kriterien selbständig zu erarbeiten und darüber hinaus eigene Lösungsansätze zu entwickeln. Über die Ergebnisse erstellt der Studierende eine wissenschaftliche Arbeit.

Numerische Methoden für Data Science* (Wahlmodul 6 LP)

Durch das Wachstum an Datenvolumen stehen Unternehmen vor der Herausforderung, diese extrem großen Datenmengen („Big Data“) speichern und analysieren zu können. Dies ist entscheidend, um sie für weitere Prozesse zu verwenden. Herkömmliche algorithmische Methoden, die alle Daten betrachten, sind entweder nicht mehr anwendbar oder benötigen zu lange Rechenzeiten. In diesem Modul werden Sie numerische Methoden, Verfahren und Algorithmen kennenlernen, die auch für große Datenmengen noch effizient arbeiten und so erlauben, aus größeren Datenmengen Muster zu erkennen und wichtige Informationen zu extrahieren. Sie werden diese Algorithmen u.a. in Python implementieren. Dieses Modul ist die Basis für die Konstruktion und Implementierung von Algorithmen für maschinelles Lernen.

* Es kann ein beliebiges Wahlmodul ausgewählt werden.
 

Data and Process Mining* (Wahlmodul 6 LP)

Die Teilnehmerinnen und Teilnehmer kennen grundlegende Methoden, Verfahren und Konzepte des Data und Process Mining. Sie können diese, unterstützt durch Softwarewerkzeuge, auf gegebene Aufgabenstellungen anwenden und ihre Analyseergebnisse angemessen präsentieren und visualisieren. Die Teilnehmerinnen und Teilnehmer können ferner einschätzen, welche Herausforderungen sich bei der Anwendung von Miningverfahren in der Praxis stellen und wie diesen Herausforderungen in konkreten Anwendungsszenarien begegnet werden kann. Generell sind sie in der Lage, charakteristische Anwendungsfälle von Data und Process Mining zu benennen und technologische Analysemöglichkeiten sowie deren Nutzen und Aufwände zu bewerten. Schließlich kennen die Teilnehmerinnen und Teilnehmer aktuelle Trends und können diese hinsichtlich ihres Nutzens für Business Analytics Szenarien einschätzen.

* Es kann ein beliebiges Wahlmodul ausgewählt werden.

Big (Social) Data Analytics - Methoden und Anwendungen* (Wahlmodul 6 LP)

Unternehmen stehen heutzutage – bspw. über soziale Medien und das Internet (z.B. Online Social Networks, Wikis, Bewertungs- und Rezensions-Communities, Diskussionsforen), aber auch in traditionellen Datenbanken (z.B. Data-Warehouse, Kundendatenbanken) enorme Datenmengen in strukturierter (bspw. Beziehungen zwischen Netzwerkakteuren) oder unstrukturierter Form (bspw. Textinhalt von Tweets) zur Verfügung. Die zielgerichtete und fundierte Analyse dieser Daten mittels automatisierter Verfahren aus den Bereichen Social Network Analysis und Text Mining ermöglicht eine verbesserte Entscheidungsunterstützung und birgt großes Potenzial, bspw. in den Bereichen Produktentwicklung, Marketing und Customer Relationship Management. Im Modul „Big (Social) Data Analytics - Methoden und Anwendungen“ werden hierfür zentrale Methoden und Techniken wie z. B. Community Detection in sozialen Netzwerken, Sentimentanalyse von Kundenstimmen und Klassifikation von Tweets mittels neuronaler Netze vermittelt und fallstudienbasiert mit realen Daten und Cases mit der Programmiersprache R illustriert.

* Es kann ein beliebiges Wahlmodul ausgewählt werden.
 

Masterarbeit (24 LP)

Die Studierenden erweitern im Rahmen dieses Moduls die Fähigkeit, ein Thema aus der aktuellen Forschung des Bereiches Business Analytics unter Beachtung wissenschaftlicher Kriterien selbständig zu erarbeiten und darüber hinaus eigene Lösungsansätze zu entwickeln. Über die Ergebnisse erstellt der Studierende eine wissenschaftliche Arbeit.

Controlling (6 LP)

Controlling ist für die erfolgreiche Führung eines Unternehmens unabdingbar, da es das Management mit unternehmensbezogenen Daten und Analysen versorgt und somit fundierte Entscheidungen auf allen Unternehmensebenen ermöglicht. Der Stellenwert des Controllings ist aufgrund seiner zentralen Bedeutung bei der Entscheidungsfindung und Verhaltenssteuerung in den vergangenen Jahrzehnten kontinuierlich gestiegen. Konkret werden den Teilnehmerinnen und Teilnehmern in diesem Modul grundlegende Aufgaben, Konzepte und Instrumente zur Planung, Steuerung und Kontrolle von wirtschaftlichen Entscheidungen im Unternehmen vermittelt. Die Studierenden können das normative, strategische und operative Controlling der jeweiligen Unternehmensführungsebenen unterscheiden sowie deren Ziele und Methoden beschreiben. Die Teilnehmerinnen und Teilnehmer können die Bedeutung der Koordination als zentrale Funktion des Controllings erklären und organisationale Aspekte des Controllings diskutieren.

Einführung in die Programmierung mit Python für Data Science (3 LP)

In diesem Modul erlernen die TeilnehmerInnen grundlegende Programmierkenntnisse in Python. Der Fokus der Programmiertätigkeit liegt dabei immer auf dem Anwendungsgebiet der Data Science. Dazu gehört das korrekte Einlesen, Verarbeiten und Bereinigen von Daten genauso, wie die Erstellung von Aggregationsanalysen und Visualisierungen. Alle Lerninhalte des Moduls werden praxisnah mit Übungen auf Basis realer Datensätze vermittelt.

IT-Recht (3 LP)

Das Modul behandelt die grundlegenden rechtlichen Rahmenbedingungen zum Umgang mit personenbezogenen Daten im Unternehmen. Die Studierenden lernen die grundlegenden Begriffe, rechtlichen Regelungen sowie Hintergründe und Zusammenhänge des Datenschutzrechts kennen. Im Rahmen der Übungen werden spezifische Verarbeitungssituationen und deren rechtliche Behandlung diskutiert. Die Studierenden sind nach erfolgreicher Absolvierung für datenschutzrelevante Fragestellungen sensibilisiert und in der Lage grundlegende Fragestellungen zu Verarbeitungssituationen im Unternehmen zu beurteilen sowie anhand der gesetzlichen Regelungen eigene Lösungen zu erarbeiten.

Numerische Methoden für Data Science (6 LP)

Durch das Wachstum an Datenvolumen stehen Unternehmen vor der Herausforderung, diese extrem großen Datenmengen („Big Data“) speichern und analysieren zu können. Dies ist entscheidend, um sie für weitere Prozesse zu verwenden. Herkömmliche algorithmische Methoden, die alle Daten betrachten, sind entweder nicht mehr anwendbar oder benötigen zu lange Rechenzeiten. In diesem Modul werden Sie numerische Methoden, Verfahren und Algorithmen kennenlernen, die auch für große Datenmengen noch effizient arbeiten und so erlauben, aus größeren Datenmengen Muster zu erkennen und wichtige Informationen zu extrahieren. Sie werden diese Algorithmen u.a. in Python implementieren. Dieses Modul ist die Basis für die Konstruktion und Implementierung von Algorithmen für maschinelles Lernen.

Angewandte Statistik und prädiktive Methoden (6 LP)

Der erste Teil des Moduls liefert eine kurze Einführung in Grundbegriffe der Statistik wie Konfidenzintervalle und Hypothesentests und diskutiert anschließend lineare Modelle und die logistische Regression. Im zweiten Teil des Moduls werden Methoden der angewandten Statistik zur Entwicklung von Prädiktionsmodellen unter statistischer Unsicherheit und deren Bewertung behandelt.

Big (Social) Data Analytics - Methoden und Anwendungen (6 LP)

Unternehmen stehen heutzutage – bspw. über soziale Medien und das Internet (z.B. Online Social Networks, Wikis, Bewertungs- und Rezensions-Communities, Diskussionsforen), aber auch in traditionellen Datenbanken (z.B. Data-Warehouse, Kundendatenbanken) enorme Datenmengen in strukturierter (bspw. Beziehungen zwischen Netzwerkakteuren) oder unstrukturierter Form (bspw. Textinhalt von Tweets) zur Verfügung. Die zielgerichtete und fundierte Analyse dieser Daten mittels automatisierter Verfahren aus den Bereichen Social Network Analysis und Text Mining ermöglicht eine verbesserte Entscheidungsunterstützung und birgt großes Potenzial, bspw. in den Bereichen Produktentwicklung, Marketing und Customer Relationship Management. Im Modul „Big (Social) Data Analytics - Methoden und Anwendungen“ werden hierfür zentrale Methoden und Techniken wie z. B. Community Detection in sozialen Netzwerken, Sentimentanalyse von Kundenstimmen und Klassifikation von Tweets mittels neuronaler Netze vermittelt und fallstudienbasiert mit realen Daten und Cases mit der Programmiersprache R illustriert.

Data & Process Mining (6 LP)

Die Teilnehmerinnen und Teilnehmer kennen grundlegende Methoden, Verfahren und Konzepte des Data und Process Mining. Sie können diese, unterstützt durch Softwarewerkzeuge, auf gegebene Aufgabenstellungen anwenden und ihre Analyseergebnisse angemessen präsentieren und visualisieren. Die Teilnehmerinnen und Teilnehmer können ferner einschätzen, welche Herausforderungen sich bei der Anwendung von Miningverfahren in der Praxis stellen und wie diesen Herausforderungen in konkreten Anwendungsszenarien begegnet werden kann. Generell sind sie in der Lage, charakteristische Anwendungsfälle von Data und Process Mining zu benennen und technologische Analysemöglichkeiten sowie deren Nutzen und Aufwände zu bewerten. Schließlich kennen die Teilnehmerinnen und Teilnehmer aktuelle Trends und können diese hinsichtlich ihres Nutzens für Business Analytics Szenarien einschätzen.

Grundlagen des maschinellen Lernens mit Python (3 LP)

In diesem Modul erlernen die TeilnehmerInnen grundlegende Methoden des maschinellen Lernens und deren Anwendung in Python. Das Modul vermittelt theoretische Grundlagen zu Algorithmen des überwachten und unüberwachten Lernens und verzahnt diese stets mit der Anwendung in Python auf Basis realer Datensätze. Da der Einsatz maschineller Lernverfahren weitreichende Implikationen haben kann, liegt ein besonderes Augenmerk auf der korrekten Evaluation der Modelle und Einordnung der Ergebnisse.

Infrastruktur & Sicherheit (6 LP)

Teilmodul Security & Data Protection:
Ziel dieses Teilmoduls ist es, die wichtigsten Konzepte der IT-Sicherheit und des Datenschutzes zu vermitteln, welche für die Thematik Business Analytics von Relevanz sind. Kursteilnehmerinnen und Kursteilnehmer sollen in die Lage versetzt werden, Sicherheitsziele zu bestimmen, sie können Grundkonzepte der IT Sicherheit und Kryptographie nennen und können elementare Sicherheitsmechanismen wie Emailverschlüsselung oder Authentisierung mit digitalen Zertifikaten, unter Berücksichtigung der jeweiligen Grenzen dieser Systeme, auswählen und anwenden. Sie sind auch in der Lage, die Grenzen dieser Systeme zu kennen und effektiv mit Sicherheitsspezialisten über Anforderungen und Lösungen zu kommunizieren. Im Bereich des Datenschutzes sind die Kursteilnehmerinnen und Kursteilnehmer nach
Abschluss der Veranstaltungen mit den wichtigsten Prinzipien des Datenschutzes soweit vertraut, sodass sie im Bereich Business Analytics auf die Einhaltung der gesetzlichen Vorgaben des Datenschutzes achten können. Sie sind auch in der Lage, aus Datenschutzsicht problematische Formen der Datenverarbeitung im Bereich Business Analytics zu identifizieren und besitzen einen Überblick über Privacy Enhancing Technologies, mit dessen Hilfe sie datenschutzfreundlichere Systemarchitekturen entwickeln können.

Teilmodul Security & Data Protection:
Ziel dieses Teilmoduls ist es, die wichtigsten Konzepte der IT-Sicherheit und des Datenschutzes zu vermitteln, welche für die Thematik Business Analytics von Relevanz sind. Kursteilnehmerinnen und Kursteilnehmer sollen in die Lage versetzt werden, Sicherheitsziele zu bestimmen, sie können Grundkonzepte der IT Sicherheit und Kryptographie nennen und können elementare Sicherheitsmechanismen wie Emailverschlüsselung oder Authentisierung mit digitalen Zertifikaten, unter Berücksichtigung der jeweiligen Grenzen dieser Systeme, auswählen und anwenden. Sie sind auch in der Lage, die Grenzen dieser Systeme zu kennen und effektiv mit Sicherheitsspezialisten über Anforderungen und Lösungen zu kommunizieren. Im Bereich des Datenschutzes sind die Kursteilnehmerinnen und Kursteilnehmer nach Abschluss der Veranstaltungen mit den wichtigsten Prinzipien des Datenschutzes soweit vertraut, sodass sie im Bereich Business Analytics auf die Einhaltung der gesetzlichen Vorgaben des Datenschutzes achten können. Sie sind auch in der Lage, aus Datenschutzsicht problematische Formen der Datenverarbeitung im Bereich Business Analytics zu identifizieren und besitzen einen Überblick über Privacy Enhancing Technologies, mit dessen Hilfe sie datenschutzfreundlichere Systemarchitekturen entwickeln können.

Management digitaler Plattformen (6 LP)

Im Modul Management digitaler Plattformen werden den Studierenden grundlegende Begriffe, Konzepte und Methoden zum Management digitaler Plattformen vermittelt. Sie erlangen ein Verständnis über wesentliche Arten und Charakteristika von digitalen Plattformen. Sie lernen verschiedene Steuerungsansätze für den Plattformbetreiber
sowie Methoden zur Selektion geeigneter Plattformen aus Perspektive der Nutzer kennen. Mit Hilfe der Fallstudien sind die Teilnehmerinnen und Teilnehmer in der Lage, die wesentlichen Fragestellungen rund um das Management digitaler Plattformen selbständig beantworten zu können, um somit die Chancen der Plattformökonomie optimal zu nutzen.

Mathematische Optimierung betrieblicher Prozesse (6 LP)

Welche Produkte in welchem Umfang soll ein Unternehmen wann produzieren, um gleichzeitig die Nachfrage zu befriedigen, die Produktionskapazitäten auszunutzen und den vorhandenen Lagerplatz einzuhalten? Wann soll welcher Produktionsauftrag auf welcher Maschine einer Fabrik ausgeführt werden, um die Produktionslinien optimal auszulasten? Wie sollten die unterschiedlich qualifizierten Mitarbeiter einer Beratung auf die anstehenden Projekte verteilt werden, um diese effizient zu bewältigen?
Dies sind gängige Probleme, die oftmals im Firmenalltag von erfahrenen Planern von Hand gelöst werden. Die Komplexität dieser Probleme steigt jedoch gewöhnlich exponentiell, so dass die händische Planung langwierig wird und nur suboptimale Lösungen liefert. Hier setzt mathematische Optimierung an. Sie lernen in diesem Kurs, welche Möglichkeiten es gibt, Produktionsprozesse und Ressourceneinteilungen mathematisch zu modellieren, und welche Algorithmen geeignet sind, diese zu optimieren. Anhand realitätsnaher Beispiele werden Sie unter Einsatz von Python üben, die Theorie in Praxis umzusetzen.

Technologieakzeptanz im Zeitalter der Digitalisierung (3 LP)

Im Modul „Technologieakzeptanz im Zeitalter der Digitalisierung“ werden den Teilnehmern zunächst Grundlagen der Technologieakzeptanz sowie relevante Technologien vermittelt. Auf Basis anschaulicher Fallstudien werden wesentliche Einflussfaktoren sowie Maßnahmen zur Steigerung der Technologieakzeptanz erarbeitet. Die Teilnehmer sollen in die Lage versetzt werden, die wesentlichen Fragestellungen rund um das Phänomen der Technologieakzeptanz selbstständig beantworten zu können, um somit die Chancen der technologischen Neuerungen optimal nutzen zu können.