Inhalt

Abstract:

Die Nutzung von Big Data, also von großen, zum Teil unstrukturierten Datensätzen aus verschiedensten Quellen, erlaubt es Unternehmen, durch die gewonnenen, umfassenden Erkenntnisse bessere Entscheidungen treffen sowie besser steuern und kontrollieren zu können. Die betriebswirtschaftliche Lehrinnovation „Evidenzbasierte Entscheidungen auf der Grundlage von Big Data Analytics” soll Studierende über die Funktionsweise, die Einsatzmöglichkeiten und Herausforderungen von Big-Data-Analysen informieren und sie in Form von selbstgesteuertem wissenschaftlichem Lernen zum verantwortlichen Umgang mit Big-Data-Analysen befähigen. Die Studierenden lernen, Standardtechnologien der Big-Data-Analyse domänenspezifisch vornehmlich im Bereich Accounting, Auditing and Finance einzusetzen und Lösungsansätze für Fallstudien zu erarbeiten. Sie sollen somit für den Einsatz dieser Techniken im betrieblichen Umfeld und auch zur (Weiter-)Entwicklung neuer Geschäftsmodelle in diesem Bereich befähigt werden.

Wichtige Information zur Kurssprache: Im Sommersemester wird der Kurs auf Deutsch angeboten, im Wintersemester auf Englisch.

Gliederung:

1. Allgemeine Einführung in das Themengebiet "Big Data Analytics"
2. Descriptive und Diagnostic Analytics
3. Predictive Analytics mit Machine-Learning-Algorithmen
4. Predictive Analytics mit Regression unter Berücksichtigung von Heterogenität
5. Einführung in das Natural Language Processing
6. Ethik und Privatsphäre unter Big Data Analytics

Lern-/Qualifikationsziele:

Nach erfolgreichem Abschluss des Moduls sind die Studierenden in der Lage, ...

• Big-Data-Analysen hinsichtlich ihrer Eigenschaften den traditionellen betriebswirtschaftlichen Theorien/Entscheidungen/Methoden gegenüberzustellen (insbesondere hinsichtlich Datenerstellung, -verarbeitung, -speicherung und -aufbereitung),
• (Einsatz-)Möglichkeiten von Big Data für Wirtschaftswissenschaftler zu evaluieren,
• grundlegende Methoden der Datenbeschaffung, -aufbereitung und -auswertung anzuwenden,
• diese Methode auch auf unstrukturierte Daten anwenden,
• Herausforderungen beim Einsatz von Big Data (z. B. Datenschutz, Datensicherheit, ethische Erwägungen usw.) zu bewerten und
• Entwicklungen und Trends von Big Data Analytics (BDA) rechtzeitig zu erkennen und für ihre spätere Tätigkeit oder für eine Unternehmensgründung zu nutzen.
  
  

Detaillierter Inhalt:

Auftakt des Moduls ist eine virtuell abgehaltene Auftaktveranstaltung (Webseminar). Anschließend erhalten die Studierenden Zugriff auf die elektronischen Lerninhalte, die in Form von interaktiven Skripten vorliegen, sowie auf kursspezifische Datensätze. Zudem können sie auf Video-Tutorials zum Einsatz der Datenanalyse-Werkzeuge zugreifen, um Kernkompetenzen für Datenanalyseprozesse zu erwerben.

In den begleitenden Fallstudien werden die grundlegenden Arbeitsschritte der Datenaufbereitung, die bei Big-Data-Analysen anfallen, gelehrt. Hierzu werden diese zentralen Schritte in Webseminaren nachvollziehbar erläutert und die Studierenden durch sofortige Anwendung zum selbstständigen Lernen motiviert.
Für die fallstudienspezifischen Auswertungen greifen die Studierenden auf die Programmiersprache Python und die Entwicklungsumgebung Jupyter zurück und müssen dazu diverse Datensätze mithilfe der beschriebenen Verfahren auswerten und ihre Ergebnisse grafisch visualisieren. Die Fallstudien bestehen aus folgenden Elementen, wobei jeweils einzelne stärker betont werden und über das Semester hinweg der Schwierigkeitsgrad ansteigt:

1. Ökonomische Theorie/Fragestellungen (inkl. Praktiker-Interviews)
2. Datenaufbereitung und explorative Datenanalyse
3. Zielgerichtete Datenverarbeitung (Modellschätzung und Analyse)
4. Interpretation der Ergebnisse im Hinblick auf Punkt 1 (aber auch Gefahren der Analysen, z. B. Scheinkausalitäten, oder mit den Analysen verbundene ethische Aspekte usw.)

Zu Punkt 4 werden zusätzliche Online-Angebote zur Verfügung gestellt und die Studierenden werden zu Online-Diskussionen über die ethischen Problemfälle angehalten. Zum Ende des Semesters wird ein aktueller Ausblick gegeben. Dieser soll es den Lehrenden ermöglichen, spezifische aktuelle Schwerpunkte in diesem sich schnell entwickelnden Themengebiet setzen zu können. Zu diesem Zeitpunkt erfolgt auch eine fragebogengestützte Evaluation, die Lernergebnisse im Rahmen der Big-Data-Analyse messbar machen soll.

Schwierigkeitsgrad:

Erfahrene, Einsteiger

Lehr-/Lernform:

Virtuelle Vorlesung

Interaktionsformen mit dem System/Betreuer:

Kooperation Lerner/Betreuer bei der Aufgabenbearbeitung, E-Mail, Chat

Interaktionsformen mit Mitlernenden:

Chat, Gemeinsame Aufgabenbearbeitung, Forum, E-Mail

Kursdemo:

zur Kursdemo

Schlagworte:

Big Data, Data Mining, Problem Based Learning, Big Data Analytics

Nutzung

Zielgruppe:

Wirtschaftsinformatik für Uni-Studierende, Wirtschaftswissenschaften für Uni-Studierende, Wirtschaftsinformatik für FH-Studierende, Wirtschaftswissenschaften für FH-Studierende

Nutzbar im Studiengang:

Uni Passau:

• Business Administration and Economics (B.Sc.)
• Digital Transformation in Business and Society (B.Sc.)

TU München:

Technologie- und managementorientierte Betriebswirtschaftslehre (B.Sc.)

TH Deggendorf:

Wirtschaftsinformatik (B.Sc.)

TH Rosenheim:

Berufsbegleitender Masterstudiengang Circular Economy (M.Sc.)

Geeignet für Berufsfeld:

Der Kurs zielt auf Teilnehmende mit einem betriebswirtschaftlichen Hintergrund ab. Eine informationstechnologische Ausbildung ist nicht notwendig, ein Grundverständnis sollte jedoch vorhanden sein.

Formale Zugangsvoraussetzungen:

keine

Erforderliche Vorkenntnisse:

Grundlagen der BWL, Mathematik und Statistik

Erforderliche Vorkenntnisse bzgl. Handhabung der Lernplattform:

-

Verantwortlich

Trägerhochschule:

Uni Passau

Anbieter:

Prof. Dr. Markus Diller

Autoren:

Markus Diller, Daniel Ehm, Jürgen Ernstberger, Georg Herde, Harry Haupt, Johannes Busse, Kurt Schwindl

Betreuer:

Daniel Ehm

Prüfung

Prüfungsangebot zur Lehrveranstaltung

Art der Prüfung:

schriftlicher Leistungsnachweis (Klausur)

Prüfer:

Prof. Dr. Markus Diller

Anmeldeverfahren:

Die Anmeldung erfolgt über das WWW.

Prüfungsanmeldefrist:

01.05.2025 00:00 Uhr bis 31.05.2025 23:59 Uhr

Prüfungsabmeldefrist:

01.05.2025 00:00 Uhr bis 31.05.2025 23:59 Uhr

Kapazität:

–

Prüfungsdatum:

–

Prüfungszeitraum:

–

Prüfungsdauer:

60 Minuten

Prüfungsort:

TU München, Uni Passau, TH Deggendorf

Zustündiges Prüfungsamt:

Prüfungsamt der Heimathochschule der Studierenden

Zugelassene Hilfsmittel:

Taschenrechner

Formale Voraussetzungen für die Prüfungsteilnahme:

Fristgerechte Anmeldung zum vhb-Kurs und zur Prüfung

Inhaltliche Voraussetzungen für die Prüfungsteilnahme:

Kursinhalte

Zertifikat:

Ja (benoteter Schein)

Anerkennung an folgenden Hochschulen:

Uni Passau, TU München, TH Deggendorf

Sonstige Anerkennung:

noch nicht bekannt

Online-Prüfungsan-/-abmeldung:

Ja

Bemerkung:

Schriftliche Klausur

Erforderliche Technik

Browser:

gängiger Browser (z. B. Chrome, Edge, Firefox) in einer aktuellen Version

Nutzungsbedingungen

Gebühren:

Nein

Nutzungsentgelte:

für andere Personen als (reguläre) Studenten der vhb Trägerhochschulen nach Maßgabe der Benutzungs- und Entgeltordnung der vhb

Copyright:

-

Hinweise zur Nutzung:

Für die Lernpfade Studierender der TU München ist der Kurs nicht auf 5 ECTS, sondern auf 6 ECTS ausgelegt.