Big Data – von Daten zu Prognosen und Entscheidungen

Wirtschafts- und Sozialwissenschaften

Version 14.0 vom 10.05.2019

22M0878

Big Data - Foreacsting and Decision Making

• Business Management (M.A.)
• Controlling und Finanzen (M.A.)
• International Business and Management (Master) (M.A.)
• Management in Nonprofit-Organisationen (M.A.)

5

Entscheidungen auf allen Unternehmensebenen werden mehr und mehr datengetrieben gefällt. Das Modul macht diese Entscheidungsprozesse und den algorithmischen Rahmen auf praktische Weise transparent und zugänglich.

1. Softwaregestützte Datenaufbereitung – Allgemeines
2. Lineare Regression
3. Logistische Regression
4. Entscheidungsbäume
5. Texte als Datengrundlage
6. Clustering
7. Visualisierung
8. Ausgewählte Verfahren der Optimierung / Operations Research

Wissensverbreiterung
Die Studierenden beherrschen Grundtechniken der Datenanalyse, können Fragen aus der Praxis in die geeignete rechnergestützte Modellierverfahren übersetzten, können die Ergebnisse evaluieren, Interpretieren und Visualisieren und somit die Praxisentscheidungen unterstützen. Die Studierenden beherrschen die Grundtechniken der rechnergestützten Datenanalyse mit der speziellen Stoßrichtung der Kommunikation des Vorgehens und der Ergebnisse an andere Fach- und Führungskräfte. Sie können diese Kenntnisse mittels eigener Programmierung und in einem vom Dozenten festzulegenden Softwareframework exemplarisch umsetzen. Die Teilnehmer kennen auch planerische Implikationen der Verfahren und können Aufwände bei den Vorverarbeitungs-, Modellierungs- und Interpretationsschritten der Datenanalyse abschätzen.
Wissensvertiefung

Können - instrumentale Kompetenz
Die Studierenden können mit einem professionellen Softwareframework Modelle erstellen, evaluieren und Interpretationen stützen.
Können - kommunikative Kompetenz
Die Studierenden, die dieses Modul erfolgreich studiert haben, können die Ergebnisse ihrer Hausarbeit präsentieren und ihre Lösungen und Methoden schriftlich sowie mündlich darstellen.
Können - systemische Kompetenz
Die Studierenden kennen professionelle Software-Tools zur Datenanalyse. Sie können ihre Einsetzbarkeit für unterschiedliche Anwendungen beurteilen.

Vorlesung und praktische Arbeit

Keine

Faatz, Andreas

Faatz, Andreas; Hirschfeld, Gerrit; Bensberg, Frank; Markovic-Bredthauer, Danijela; Dallmöller Klaus

5

Berthold, Michael R., et al. Guide to intelligent data analysis: how to intelligently make sense of real data. Springer Science & Business Media, 2010.

Field, Andy. Discovering statistics using IBM SPSS statistics. Sage, 2013.

Andy Field, Jeremy Miles, and Zoë Field. Discovering Statistics Using R. SAGE Publications, 2012.

Hyndman, Rob J., and George Athanasopoulos. Forecasting: principles and practice. OTexts, 2014.

Michalski, Ryszard S., Jaime G. Carbonell, and Tom M. Mitchell, eds. Machine learning: An artificial intelligence approach. Springer Science & Business Media, 2013.

Runkler, Thomas A. Data Mining: Modelle und Algorithmen intelligenter Datenanalyse. Springer-Verlag, 2015.

Wollschläger, Daniel. Grundlagen der Datenanalyse mit R: eine anwendungsorientierte Einführung. Springer-Verlag, 2015.

• Klausur 2-stündig
• Portfolio Prüfung

PFP-1: (100 Punkte) ist für alle Studierenden eine einstündige Klausur (50 Punkte) und ein schriftlicher Projektbericht (50 Punkte).

PFP-2: (100 Punkte) ist für alle Studierenden eine einstündige Klausur (50 Punkte) und eine Hausarbeit (50 Punkte).

1 Semester

Nur Wintersemester

Deutsch