Institut für Business Analytics

Business Analytics

Überblick und Lernziele

In einer zunehmend digitalisierten Welt stehen Unternehmen vor der Herausforderung, riesige Datenmengen aus sozialen Medien, Online-Communities und traditionellen Datenbanken sinnvoll zu nutzen. Die gezielte Analyse dieser Daten eröffnet wertvolle Einblicke, verbessert Entscheidungsprozesse und schafft Wettbewerbsvorteile in Bereichen wie Marketing, Produktentwicklung und Kundenmanagement. Gleichzeitig erfordert die digitale Transformation – sei es durch die Weiterentwicklung bestehender Geschäftsmodelle oder die Schaffung neuer, technologiegetriebener Ansätze – ein tiefes Verständnis moderner Analysemethoden.

Im Modul „Business Analytics“ werden wichtige Grundlagen des Technologie-, Daten- und Prozessmanagements sowie Geschäftsmodellentwicklung mit Schwerpunkt auf Business Analytics vermittelt. Dabei werden zentrale Data-Analytics-Methoden eingeführt und deren praktische Anwendung veranschaulicht, um deren Bedeutung für die digitale Transformation von Unternehmen zu verdeutlichen.

Dozierende

Prof. Dr. Steffen Zimmermann, Institut für Business Analytics
Prof. Dr. Steffen Zimmermann
Prof. Dr. Mathias Klier, Institut für Business Analytics
Prof. Dr. Mathias Klier

Inhaltliche Informationen

Studierende, die dieses Modul erfolgreich absolviert haben, kennen die wesentlichen theoretischen Grundlagen und Methoden des Digital Business und Business Analytics. Zusätzlich kennen sie die Grundlagen und Konzepte im Bereich der maschinellen Datenanalyse, sowie deren Chancen und Risiken und können Daten mithilfe von Methoden der maschinellen Datenanalyse systematisch analysieren, die Ergebnisse interpretieren und Handlungsempfehlungen ableiten.

In diesem Modul werden folgende fachliche Inhalte vermittelt:

  • Grundlagen des Digital Business
  • Technologiemanagement
  • Datenmanagement
  • Business Analytics und Python
  • Prozessmanagement und -simulation
  • Geschäftsmodellentwicklung
  • Digitale Evolution
  • Digitale Revolution
  • Grundlagen der maschinellen Datenanalyse
  • Konzepte, Methoden und praktische Umsetzung der maschinellen Datenanalyse
  • Visualisierung von Daten und Datenanalyseergebnissen
  • Praktische Anwendung der maschinellen Datenanalyse

  • Hoffmeister, C. (2017). Digital Business Modelling: Digitale Geschäftsmodelle entwicklen und strategisch verankern. (2) Carl Hanser Verlag, S. 371.
  • Osterwalder, A (2011). Business Model Generation: Ein Handbuch für Visionäre, Spielveränderer und Herausforderer. Campus Verlag, S. 285.
  • Rogers, D. L. (2016). The digital transformation playbook: Rethink your business for the digital age. Columbia University Press.
  • Krcmar, H. (2005). Informationsmanagement. Springer
  • Laudon, K.C.; Laudon, J.P. (2017). Management Information Systems – Managing the Digital Firm. Pearson HigherEducation.
  • Seiter, M. (2017). Business Analytics. Vahlen
  • Evans, J.R. (2016). Business Analytics – Methods, Models, and Decisions. Pearson.
  • Bramer, M. (2020). Principles of Data Mining. 4. Auflage, Springer, London.
  • Weisberg, S. (2005). Applied Linear Regression. 3. Auflage, John Wiley & Sons, Hoboken.
  • Witten, I. H., Frank, E., Hall, M. A. (2011). Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations. 3. Auflage, Morgan Kaufmann, Amsterdam.

Organisatorische Informationen

Nächster Veranstaltungsbeginn: SoSe 25

Ort: t.b.d.

Termine: t.b.d.

ECTS: 6

Vorlesung (2 SWS) mit Übung (2 SWS)

t.b.d.

Schwerpunktfächer: Business Analytics, Technologie- und Prozessmanagement, Wahlpflicht BWL

Studiengänge: B.Sc. Wirtschaftswissenschaften, B.Sc. Wirtschaftsmathematik, B.Sc. Wirtschaftschemie, B.Sc. Wirtschaftsphysik und Studiengänge mit Nebenfach Wirtschaftswissenschaften