Data Analytics - Methoden und Fallstudien
Überblick und Lernziele
Heutzutage stehen Unternehmen – 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, Sensorendaten) – sehr umfangreiche und immer weiter wachsende Datenmengen zur Verfügung. Die zielgerichtete und fundierte Analyse dieser Daten ermöglicht Erkenntnisgewinne sowie eine verbesserte Entscheidungsunterstützung und birgt großes Potenzial in den unterschiedlichsten Anwendungsbereichen (z.B. Innovationsmanagement, Produktentwicklung, Marketing, Customer Relationship Management, internes Wissensmanagement). So können beispielsweise Kunden anhand ihrer persönlichen Attribute segmentiert und gezielt mit Produktangeboten kontaktiert werden. Daneben ermöglichen Text Analytics-Methoden die Analyse unstrukturierter Daten wie zum Beispiel Kundenrezensionen oder Facebook-Posts. Dies erlaubt es aus einer Datenmenge auf die Meinungen von Kunden zu Produkten und Dienstleistungen zu schließen.
Im Modul „Data Analytics – Methoden und Fallstudien“ werden hierzu die Grundlagen zentraler Data Analytics-Methoden behandelt und deren Anwendung anhand von Praxisbeispielen verdeutlicht.
Studierende, die dieses Modul erfolgreich absolviert haben, kennen wesentliche Grundlagen und Methoden zu Data Analytics und können diese anwenden. Darüber hinaus sind Sie in der Lage, praktische Problemstellungen mit Hilfe der vermittelten Lehrinhalte und Methoden erfolgreich zu bewältigen (in Vorlesung und Übung werden reale Use Cases vermittelt), die Ergebnisse zu interpretieren und Handlungsempfehlungen abzuleiten.
Dozierende
Inhaltliche Informationen
Studierende, die dieses Modul erfolgreich absolviert haben,
- kennen die wesentlichen Grundlagen und Konzepte im Bereich der maschinellen Datenanalyse (z. B. Cross Industry Standard Process for Data Mining (CRISP-DM)),
- können Chancen und Risiken der maschinellen Datenanalyse aufzeigen und kritisch diskutieren,
- können Supervised Learning- und Unsupervised Learning-Verfahren differenzieren und sind mit entsprechenden Evaluationsarten und Gütemaßen vertraut,
- sind vertraut mit verschiedenen Methoden der maschinellen Datenanalyse (z. B. für Klassifikation, Clustering, Assoziations-, und Textanalyse) und können über deren geeigneten Einsatz entscheiden; insbesondere kennen sie Vor- und Nachteile sowie Anwendungsgebiete verschiedener Methoden,
- können Daten mithilfe von Methoden der maschinellen Datenanalyse systematisch analysieren (z. B. mithilfe von Python), die Ergebnisse interpretieren und Handlungsempfehlungen ableiten.
In diesem Modul werden folgende fachliche Inhalte vermittelt:
- Grundlagen der maschinellen Datenanalyse
- Konzepte, Methoden und praktische Umsetzung der maschinellen Datenanalyse mit Fokus auf die Bereiche Klassifikation, Clustering, Assoziations-, Regressions- und Textanalyse
- Visualisierung von Daten und Datenanalyseergebnissen
- Praktische Anwendungen der maschinellen Datenanalyse
- 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: tbd
Termine: tbd
ECTS: 6
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.
Profilbereich: Profilbereich Technologie- und Prozessmanagement, Business Analytics, Wahlpflicht BWL.
Studiengänge: B.Sc. Wirtschaftswissenschaften, B.Sc. Wirtschaftsmathematik, B.Sc. Wirtschaftschemie, B.Sc. Wirtschaftsphysik und Studiengänge mit Nebenfach Wirtschaftswissenschaften