Lernziele:

Ziel des Moduls ist die Vermittlung von Kenntnissen zu Zielen, Theorie und Praxis der Entscheidungsfindung auf der Basis großer Datenmengen, dem Erkenntnisgewinn aus der Datenanalyse (Business Analytics) und der automatisierten Auswertung von großen Datenmengen mit Hilfe von Data Mining, AI und Data Science. Anwendungsbeispiele: Kreditwürdigkeitsprüfungen, Klassifizierung von Kundendaten, Kundenbindungsprogramme, etc. 

Kompetenzen:

• FACH- & METHODENKOMPETENZ: Die Studierenden erwerben fundierte Kenntnisse über den Umgang mit Methoden, Techniken, Verfahren und Werkzeugen zur Entscheidungsfindung auf der Basis der Analyse von Daten. Die Studierenden wenden diese Konzepte der Künstlichen Intelligenz und der Business Analytics (Datenanalyse) zum Lösen von Entscheidungsproblemen im betrieblichen Umfeld an und bewerten die Ergebnisse Ihrer Analyse. 
• SELBST- & SOZIALKOMPETENZ: Die Studierenden lösen selbstgewählte Probleme in Teams. Der Dozent coacht dabei die Studierenden in fachlicher und methodischer Hinsicht. Die Studierenden wählen Problem, Datengrundlage, Analyse-methode und softwaretechnische Umsetzung selbstständig aus. Die Studierenden reflektieren über die inhaltlichen Ergebnisse sowie die Team- und Projektperformance. Sie prüfen und beurteilen Verbesserungspotentiale von zukünftigen Projekten im selben Kontext auf der Basis der gewonnen Erkenntnissen und Erfahrungen. 

Inhalte:

Eingesetzte Modelle / Methoden der Betriebswirtschaftslehre: 

• Modelle der Entscheidungsfindung 
• Verfahren zur Analyse der Unternehmenssituation (SWOT, BCG, 5 Forces, PESTEL, PISANO etc.) 

Empirische Methoden:

• Grafische Aufbereitung und Deskriptive Auswertung 
• Regressionsanalysen
• Methoden der KI 
• Statistische Tests und Interpretation der Ergebnisse 
• Multivariate Verfahren 

Qualitativ-Interpretative Methoden: 

• Experteninterview, 
• Fallstudienanalyse 
• Literaturrecherche 

Lehr-und Lernmethoden 

• Seminaristischer Unterricht mit Projektarbeit 
• Planspiel 
• Labor-PC mit Softwaretools zur Datenanalyse (Excel, R-Project, Python u.a.) 
• Präsentationen 

Literatur 

• Field, A., Miles, J., Field, Z.: Discovering Statistics using R. London: Sage Publications Ltd., 2013 
• Goodfellow, I.; Bengio Y.; Courville A.: Deep learning. MIT Press, 2016. 
• Grus, J.: Data science from scratch: First principles with Python. O'Reilly Media, Inc., 2015. 
• Lämmel, U.; Cleve, J.: Künstliche Intelligenz. Carl Hanser Verlag München, 2012. 
• Müller, A. C.; Sarah G.: Introduction to machine learning with Python: a guide for data scientists. O'Reilly Media, 2017. 
• Rashid, T.: Make your own neural network. CreateSpace Independent Publishing Platform, 2016. 
• Reinhart, J; Mayer, O; Greiner, C (2021): Künstliche Intelligenz – eine Einführung: Grundlagen, Anwendungsbeispiele und Umsetzungsstrategien für Unternehmen, Vogel Communications Group GmbH & Co. KG; 1. Edition
• Rey, G. D.; Wender, K. F.: Neuronale Netze: Eine Einführung in die Grundlagen, Anwendungen und Datenauswertung. Verlag Hans Huber, Bern, 2011
•  Russell, S.J. & Norvig, P. (2020): Artificial Intelligence: A Modern Approach
• Saunders M., Lewis P., Thornhill A.: Research methods for business students, latest edition, Pearson 
• Adams J., Khan H. T. A., Raeside R., White D.: Research Methods for Graduate Business and Social Science Students, 2nd edition, Sage Publications, Thousand Oaks, California, 2014 
• Witten, I. H., et al.: Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann, 2016. 

Wissenschaftliche Artikel aus Zeitschriften der Kategorie A+, A und B gemäß dem VHB-Ranking Teilranking 

Fallstudien und ergänzende Unterlagen werden unter Moodle interaktiv bereitgestellt