Datenanalytik & Business Modelling

2.Semester Master: 1 Studienzyklus

Die Studierenden • verstehen das Potenzial, aber auch die Herausforderungen von Big Data für das Business Modelling. • können ausgewählte statistische und quantitative Methoden für Business Modelling anwenden. • können Ergebnisse aus der Datananalytik interpretieren und für das Business Modelling nutzen. • können ein Business Analytics Reporting aufbauen.

2. Semester: Keine Angaben

Grundlagen: • 4 Entwicklungsstufen des Business Analytics (Descriptive Analytics, Diagnostic Analytics, Predictive Analytics, Prescriptive Analytics) • Veränderung von Steuerungsprozessen (reaktiv-analytisch vs. proaktiv-prognostizierend; agil, real-time und basierend auf Datenanalyse; faktenbasiert, differenziert und schnell; unternehmens- und wertschöpfungsübergreifend) • Veränderte Rahmenbedingungen des Business Modelling (hoch ausgebildete Spezialisten; Veränderung von Rollen, Organisationen und Profilen; Informationsprozesse und Qualität von Entscheidungen; Nutzung von internen und externen Daten; konsistente Steuerung) Analysemethoden: • Strukturprüfende Analysemethoden (Regressionsanalyse [lineare, nicht-lineare, logistische, exponentielle etc.], Zeitreihenanalyse, Varianz-/Kovarianzanalyse, Diskriminanzanalyse, Kontingenzanalyse, Strukturgleichungsanalyse, Conjoint-Analysen) • Strukturentdeckende Analysemethoden (Faktorenanalyse, Clusteranalyse, Neuronale Netze, Multidimensionale Skalierung, Korrespondenzanalyse, Data Envelopment Analysis) Business Analytics Prozess: • Problemidentifikation (Erkennen des Handlungsbedarfs, Abgrenzung von Fragestellungen, Formulierung von Aufgabenstellungen) • Exploration (Data Acquisition, Data Mining) • Optimierung (Bestimmung von Umsetzungshürden und Kosten, Planung und Budgetierung, Entwicklung Optimierungskonzept) • Monitoring (Überwachung der Wirksamkeit, Aufbau eines Monitoringsystems, Definition von Key Performance Indikatoren)

Becker, W., Ulrich, P. & Botzkowski, T. (2016) Data Analytics im Mittelstand, Wiesbaden. Dorschel, J., Hrsg. (2015) Praxishandbuch Big Data: Wirtschaft - Recht - Technik, Wiesbaden. Knauer, D. (2015) Act Big - Neue Ansätze für das Informationsmanagement: Informationsstrategie im Zeitalter von Big Data und digitaler Transformation, Wiesbaden. Jahn, M. (2017) Industrie 4.0 konkret: Ein Wegweiser in die Praxis, Wiesbaden.

• Modulklausur (Datenanalytik & Business Modelling, Risikomanagement & Monitoring, Prognosemethoden & Szenariotechniken, Mergers & Acquisitions)

Deutsch

2.5

0

2.0

• Die Lehrveranstaltung, die mehrheitlich dialogorientiert durchgeführt wird, besteht in der Regel aus dem Dreiklang praktische Relevanz, akademische Strukturierung sowie dem selbständigen Erarbeiten von integrativen Fallstudien aus der unmittelbaren Berufs- und Beratungspraxis.

2

Studiengangsleitung

1

3

Integrierte Lehrveranstaltung

Pflichtfach

kein