Datenanalytik & Business Modelling
Niveau
2.Semester Master: 1 Studienzyklus
Lernergebnisse der Lehrveranstaltungen/des Moduls
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.
• 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.
Voraussetzungen der Lehrveranstaltung
2. Semester: Keine Angaben
Lehrinhalte
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)
• 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)
Empfohlene Fachliteratur
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.
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.
Bewertungsmethoden und -Kriterien
• Modulklausur (Datenanalytik & Business Modelling, Risikomanagement & Monitoring, Prognosemethoden & Szenariotechniken, Mergers & Acquisitions)
Unterrichtssprache
Deutsch
Anzahl der zugewiesenen ECTS-Credits
2.5
E-Learning Anteil in %
0
Semesterwochenstunden (SWS)
2.0
Geplante Lehr- und Lernmethode
• 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.
Semester/Trisemester, In dem die Lehrveranstaltung/Das Modul Angeboten wird
2
Name des/der Vortragenden
Studiengangsleitung
Studienjahr
1
Kennzahl der Lehrveranstaltung/des Moduls
3
Art der Lehrveranstaltung/des Moduls
Integrierte Lehrveranstaltung
Art der Lehrveranstaltung
Pflichtfach
Praktikum/Praktika
kein