Bewertungen auf Plattformen wie Amazon und Co. haben zum Ziel, die Nutzer bei ihrer Entscheidung für oder gegen ein Produkt oder eine Dienstleistung zu unterstützen. Denn bei Onlineeinkäufen können sich Kunden nicht direkt von der Qualität des Produkts überzeugen, sondern informieren sich durch die Bewertungen anderer Nutzer darüber. Dabei haben viele Plattformen mit falschen Bewertungen, sogenannten Fake Reviews zu kämpfen. Diese schädigen oder steigern absichtlich die Reputation eines Produkts oder Anbieters und können zu Wettbewerbsverzerrungen führen. Die Fake Reviews lassen sich jedoch nicht ohne weiteres erkennen. Auch bei großen Plattformen wie Amazon tritt das Problem sehr stark auf. Amazon versucht dem entgegenzuwirken und entfernt falsche Bewertungen, das Problem besteht jedoch weiterhin. Ziel der Arbeit ist es, Ansätze zur Identifikation von Fake Reviews zu entwickeln und anhand der Plattform Yelp zu evaluieren. Zur Analyse wird den Studierenden ein Datensatz zur Verfügung gestellt.

Einführende Literatur:

• Lappas, T. (2012): Fake Reviews: The Malicious Perspective. Berlin, Heidelberg. Springer.
• Liu, W. et al. (2019): A Method for the Detection of Fake Reviews Based on Temporal Features of Reviews and Comments. IEEE Engineering Management Review, 47(4), 67-79.

Durch die Digitalisierung generieren immer mehr Unternehmen eine Vielzahl an Daten. Diese Daten stellen einen Wert dar. Deshalb sind Datenmarktplätze entstanden, auf welchen Daten gekauft und verkauft werden können. Auf dem Marktplatz gehandelte Daten stammen aus verschiedenen Quellen, wie beispielsweise Social Media, Prozess- und Maschinendaten oder Open Data. Die auf den Marktplätzen ermöglichte Verknüpfung von verschiedenen Daten erleichtern die Nutzungsweise und ermöglichen den unternehmensübergreifenden Datenaustausch. Ziel der Arbeit ist es, die Funktionsweise und Einsatzpotenziale von Datenmarktplätzen in Unternehmen darzustellen.

Einführende Literatur:

• Lange et al. (2016): Datenmarktplätze in verschiedenen Forschungsdisziplinen: Eine Übersicht.
• Balazinska et al. (2011):  Data markets in the cloud: an opportunity for the database community.

Data Governance umfasst Strategien, Prozesse und Maßnahmen, die sicherstellen, dass Daten in einer Organisation auf effektive und verantwortungsvolle Weise verwaltet werden. Dies beinhaltet Aspekte wie Datenschutz, Datensicherheit, Datenqualität und Compliance. In diesem Zusammenhang ist Datenethik von besonderer Relevanz. Datenethik bezieht sich auf die moralischen und ethischen Fragen im Umgang mit Daten, einschließlich der Prinzipien und Richtlinien, die sicherstellen, dass Daten auf faire, transparente und nichtdiskriminierende Weise verwendet werden. Die Einhaltung von Data Governance und Datenethik sind entscheidend, um das Vertrauen in Daten zu gewährleisten und deren Nutzen für Unternehmen und die Gesellschaft zu maximieren. Ziel der Arbeit ist es, einen Überblick zur aktuellen Literatur und Gesetzeslage von Data Governance und Datenethik zu erstellen und Handlungsmaßnahmen für Unternehmen zu entwickeln.

Einführende Literatur:

• Alhassan, I., Sammon, D., & Daly, M. (2016). Data governance activities: an analysis of the literature. Journal of Decision Systems, 25(sup1), 64-75.
• O'Leary, D. E. (2016). Ethics for big data and analytics. IEEE Intelligent Systems, 31(4), 81-84.

Self-Service Business Intelligence ermöglicht es Nutzern, Datenanalysen und -berichte selbstständig durchzuführen, ohne auf spezialisierte Datenanalysten angewiesen zu sein. Dies kann zur Demokratisierung von Daten beitragen, indem es Mitarbeitenden in verschiedenen Abteilungen ermöglicht wird, schnell auf Daten zuzugreifen und Erkenntnisse zu gewinnen, die für ihre jeweiligen Aufgaben relevant sind. Durch die Bereitstellung benutzerfreundlicher Tools und Plattformen können Unternehmen dadurch auch die Datenkompetenz ihrer Belegschaft verbessern und Entscheidungsprozesse beschleunigen. Ziel der Arbeit ist es, Einsatzmöglichkeiten von Business Intelligence in Unternehmensprozessen zu identifizieren und Implementierungsempfehlungen herauszuarbeiten.

Einführende Literatur:

• Alpar, P., & Schulz, M. (2016). Self-service business intelligence. Business & Information Systems Engineering, 58, 151-155.
• Michalczyk, S., Nadj, M., Azarfar, D., Maedche, A., & Gröger, C. (2020). A state-of-the-art overview and future research avenues of self-service business intelligence and analytics.

Algorithmic Management, auch algorithmisches Management, bezieht sich auf den Einsatz von Algorithmen und automatisierten Systemen zur Steuerung von Arbeitsprozessen und Mitarbeiterleistung. Bei der Integration von Algorithmen in Entscheidungsprozesse ist es wichtig sicherzustellen, dass diese nicht zu einer Verstärkung von vorhandenen Ungleichheiten oder Diskriminierung führen. Um dies zu vermeiden, müssen Unternehmen beachten, dass ihre Algorithmen auf vielfältigen und repräsentativen Datensätzen basieren und kontinuierlich überprüft und aktualisiert werden, um mögliche Vorurteile zu identifizieren und zu korrigieren. Zusätzlich sollten Mechanismen eingeführt werden, um menschliche Überprüfung und Intervention zu ermöglichen, um zu gewährleisten, dass algorithmische Entscheidungen fair und transparent sind und keine unerwünschten Auswirkungen auf die Vielfalt und Inklusion am Arbeitsplatz haben. Ziel der Arbeit ist es, die Risiken zu analysieren und Maßnahmen zur Gewährleistung von Diversität und Fairness im algorithmischen Management für Unternehmen zu entwickeln.

Einführende Literatur:

• Lee, M. K. (2018). Understanding perception of algorithmic decisions: Fairness, trust, and emotion in response to algorithmic management. Big Data & Society, 5(1), 2053951718756684.
• Starke, C., Baleis, J., Keller, B., & Marcinkowski, F. (2022). Fairness perceptions of algorithmic decision-making: A systematic review of the empirical literature. Big Data & Society, 9(2), 20539517221115189.

Open Data kann eine wichtige Rolle bei der Förderung von Nachhaltigkeit einnehmen, indem beispielsweise Zugang zu Umwelt-, Energie- und anderen relevanten Daten ermöglicht wird. Durch die Bereitstellung von Open Data können Regierungen, Unternehmen und die Gesellschaft fundiertere Entscheidungen treffen und damit nachhaltige Lösungen entwickeln. Open Data könnte ebenfalls dazu beitragen, Umweltprobleme wie den Klimawandel anzugehen, indem es die Entwicklung und Umsetzung von Maßnahmen unterstützen. Darüber hinaus fördert die Offenlegung von Daten die Rechenschaftspflicht und Transparenz, was zu einer besseren Governance und einem größeren Vertrauen der Öffentlichkeit führt. Ziel der Arbeit ist es, einen Literaturüberblick zu Open Data zu geben und Einsatzmöglichkeiten für mehr Nachhaltigkeit zu identifizieren.

Einführende Literatur:

• Etzion, D., & Aragon-Correa, J. A. (2016). Big data, management, and sustainability: Strategic opportunities ahead. Organization & Environment, 29(2), 147-155.
• Del Vecchio, P., Di Minin, A., Petruzzelli, A. M., Panniello, U., & Pirri, S. (2018). Big data for open innovation in SMEs and large corporations: Trends, opportunities, and challenges. Creativity and Innovation Management, 27(1), 6-22.

"Vehicle as a Service" (VaaS) beschreibt ein Modell, bei dem Transportmittel wie Autos, Fahrräder oder E-Scooter als Dienstleistung angeboten werden, anstatt sie zu besitzen. Dieses Konzept ermöglicht es den Nutzern, auf Anfrage auf eine Vielzahl von Fahrzeugen zuzugreifen, ohne sich um beispielsweise um Wartung oder Versicherung zu beschäftigen. Durch VaaS können Unternehmen und Endnutzer flexibler und kosteneffizienter reisen, da sie nur für die tatsächlich genutzte Zeit und die zurückgelegte Strecke zahlen. Diese Modelle haben das Potenzial, die Art und Weise zu verändern, wie Menschen sich fortbewegen, indem sie alternative Transportoptionen fördern, die Umweltbelastung reduzieren und die Verkehrsüberlastung in städtischen Gebieten verringern. Allerdings gibt es auch Herausforderungen wie die Integration verschiedener Verkehrsmittel, die Gewährleistung der Sicherheit und Datenschutzbedenken, die bei der Umsetzung von VaaS beachtet werden müssen. Ziel der Arbeit ist es, die ökonomischen, ökologischen und sozialen Vorteile von VaaS zu analysieren und Implementierungsherausforderungen zu identifizieren.

Einführende Literatur:

• Smania, G. S., Arakaki, I. R. Y., Oliveira, A. F., Cauchick-Miguel, P. A., & de Sousa Mendes, G. H. (2023). Car subscription services: Automakers' shift towards servitized and sustainable business models. Sustainable Production and Consumption, 36, 184-193.
• Lindström, C. W. J., Maleki Vishkaei, B., & De Giovanni, P. (2023). Subscription-based business models in the context of tech firms: theory and applications. International Journal of Industrial Engineering and Operations Management.

Generative AI, wie beispielsweise GPT-Modelle, bietet die Möglichkeit, Texte, Bilder und andere Inhalte zu erstellen. Diese Technologie kann nicht nur kreative Prozesse unterstützen, sondern auch zur Lösung komplexer Probleme beitragen, einschließlich der Förderung von Nachhaltigkeit. Durch die Automatisierung von Prozessen und die Optimierung von Ressourcen können generative AI-Modelle helfen, den ökologischen Fußabdruck zu reduzieren und nachhaltige Praktiken zu fördern. Unternehmen können diese Technologie nutzen, um innovative Lösungen zu entwickeln, die sowohl wirtschaftlich als auch ökologisch vorteilhaft sind. Ziel der Arbeit ist es, die Potenziale von generativer AI zur Förderung nachhaltiger Praktiken und Optimierung von Ressourcen in Unternehmen zu untersuchen.

Einführende Literatur:

• Feuerriegel, S., Hartmann, J., Janiesch, C., & Zschech, P. (2024). Generative ai. Business & Information Systems Engineering, 66(1), 111-126.
• Ghobakhloo, M., Fathi, M., Iranmanesh, M., Vilkas, M., Grybauskas, A., & Amran, A. (2024). Generative artificial intelligence in manufacturing: opportunities for actualizing Industry 5.0 sustainability goals. Journal of Manufacturing Technology Management, 35(9), 94-121.

Generative AI hat das Potenzial, die Produktivität in verschiedenen Bereichen erheblich zu steigern. Diese Technologie kann eingesetzt werden, um kreative Prozesse zu unterstützen, repetitive Aufgaben zu automatisieren und wertvolle Erkenntnisse aus großen Datenmengen zu gewinnen. Der Einsatz von Generativer AI bringt jedoch auch Herausforderungen mit sich, wie die Qualität und Genauigkeit der generierten Inhalte, ethische Erwägungen und die Notwendigkeit menschlicher Aufsicht, um die Integrität und Relevanz der Ergebnisse zu gewährleisten. Darüber hinaus ist unklar, ob der Einsatz von Generative AI tatsächlich zu einer Produktivitätssteigerung der Mitarbeitenden beitragen und wie dies messbar gemacht werden kann. Ziel dieser Arbeit ist es, einen Literaturüberblick über Generative AI und ihre Auswirkungen auf die Mitarbeiterproduktivität in verschiedenen Anwendungsbereichen in Unternehmen zu erstellen. Dabei sollen die Vorteile und Herausforderungen analysiert und Best Practices für den effektiven und ethischen Einsatz von Generative AI zur Produktivitätssteigerung identifiziert werden.

Einführende Literatur:

• Al Naqbi, H., Bahroun, Z., & Ahmed, V. (2024). Enhancing Work Productivity through Generative Artificial Intelligence: A Comprehensive Literature Review. Sustainability, 16(3), 1166.
• Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187-192.