Big Data Analytics - Methoden und Anwendungen
Überblick und Lernziele
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. DataWarehouse, Kundendatenbanken) – sehr umfangreiche und immer weiter wachsende Datenmengen zur Verfügung. Die zielgerichtete und fundierte Analyse dieser Daten ermöglicht eine verbesserte Entscheidungsunterstützung und birgt großes Potenzial in den unterschiedlichsten Anwendungsbereichen (z. B. Innovationsmanagement, Produktentwicklung, Marketing, Customer Relationship Management, internes Wissensmanagement). Im Modul „Big Data Analytics – Methoden und Anwendungen“ werden hierzu erforderliche Grundlagen und Methoden vermittelt und an konkreten Beispielen angewendet. Studierende, die dieses Modul erfolgreich absolviert haben, kennen die wesentlichen theoretischen Grundlagen, Einsatzpotenziale und Risiken von Big Data Analytics und können diese erläutern. Sie sind vertraut mit verschiedenen Methoden zur Analyse von umfangreichen Mengen an strukturierten und unstrukturierten Daten (z. B. Collaborative und Content Based Filtering aus dem Bereich Recommender Systeme, neuronale Netze im Bereich Text Mining und rekurrente neuronale Netze im Bereich Smart Vehicles) und können diese beurteilen und anwenden. Darüber hinaus sind sie in der Lage, diese Methoden zur Lösung praktischer Problemstellungen einzusetzen (z. B. Analyse realer Datensätze mithilfe von Python), die Ergebnisse zu interpretieren und Handlungsempfehlungen abzuleiten.
Dozierende
Inhaltliche Informationen
In diesem Modul werden folgende fachliche Inhalte vermittelt:
- Einführung und Grundlagen
- Big Data Analytics als hoch relevantes Thema
- Charakteristika, Chancen und Risiken von Big Data
- Einsatzmöglichkeiten und (wirtschaftliches) Potenzial von Big Data Analytics
- Big Data Analytics – ausgewählte Anwendungsbereiche und Methoden
- Recommender Systems (z. B. Collaborative Filtering, Content-Based Filtering)
- Text Mining (z. B. Vektorraummodell, Word Embeddings und neuronale Netze)
- Smart Vehicles (z. B. rekurrente neuronale Netze)
- Big Data Analytics – praktische Anwendungen
- Analyse realer Datensätze mithilfe von Python
- Bearbeitung praktischer Problemstellungen, Interpretation der Ergebnisse und Ableitung von Handlungsempfehlungen
In diesem Modul werden folgende fachliche Inhalte vermittelt:
- Big Data Analytics (BDA)
- Grundlagen und Methoden zur zielgerichteten und fundierten Analyse strukturierter und unstrukturierter Daten
- Einsatzpotentiale und Risiken von Big Data Analytics
- Leskovec, J., Rajaraman, A., Ullman, J.-D. (2014) Mining of Massive Datasets.
- Loshin, D. (2013) Big Data Analytics: from Strategic Planning to Enterprise
- Mikolov, Tomas, et al. (2013) Efficient estimation of word representations in vector space. arXiv:1301.3781
- Devlin, Jacob, et al. (2018) Bert: Pre-training of deep bidirectional transformers for language understanding. arXiv:1810.04805
Organisatorische Informationen
Nächster Veranstaltungsbeginn: SoSe 25
Ort: tbd
Termine: tbd
ECTS: 7
Vorlesung (2 SWS) mit Übung (2 SWS)
Die Vergabe der Leistungspunkte erfolgt aufgrund des Bestehens der schriftlichen Modulprüfung. Die Anmeldung zu dieser Prüfung setzt keinen Leistungsnachweis voraus.
Die Modulnote entspricht dem Ergebnis der Modulprüfung.
Schwerpunktfächer: Schwerpunktfächer Technologie- und Prozessmanagement, Business Analytics, Unternehmensführung und Controlling, Rechnungswesen und Wirtschaftsprüfung, Wahlpflicht BWL.
Studiengänge: M.Sc. Wirtschaftswissenschaften, M.Sc. Wirtschaftsinformatik - Digital Business und Analytics, M.Sc. Wirtschaftsmathematik, M.Sc. Wirtschaftschemie, M.Sc. Wirtschaftsphysik, M.Sc. Nachhaltige Unternehmensführung, M.Sc. Künstliche Intelligenz, M.Sc. Mathematical Data Science, M.Sc. Finance, M.Sc. Computational Science Engineering und Studiengänge mit Nebenfach Wirtschaftswissenschaften.