nine

Data-Driven Digital Transformation in Green Business

Angaben gemäß SPO

Zugehörigkeit zu Curriculum

MBA Green Economy and Digital Innovation | MBA 12 | 6 Leistungspunkte

Modulverantwortung

Günzel, Holger (Prof)

Anderl, Eva (Prof. Dr.)

Prüfungsformen

ModA

Lehr- und Lernformen

SU | 4 SWS

Lehrangebote WiSe 2023

SU | 4 SWS

wird nicht angeboten

Prüfungsangebote WiSe 2023

Erstprüfer:in

Anderl, Eva (Prof. Dr.)

Zweitprüfer:in

Brehm, Lars (Prof. Dr.)

Prüfungsform

ModA

Details zur Prüfung

Modularbeit:

Analyse eines Datensatzes eines Green Business im Team und Ableitung von Handlungsempfehlungen
Präsentation (20-30 Seiten) sowie Jupyter Notebook
Abgabezeitpunkt: nicht relevant im WS2023/2024

Seminar paper:

Analysis of a data set of a green business in a team and derivation of recommendations for action.
Presentation (20-30 pages) and Jupyter Notebook
Deadline: not relevant in WS2023/2024

Hilfsmittel

Voraussetzungen und Verwendbarkeit

Voraussetzungen für die Teilnahme

Verwendbarkeit

Inhalte und Qualifikationsziele

verabschiedet am 30.10.2023

Lernziele / Kompetenzen:

Nach Absolvierung des Moduls sind die Studierenden in der Lage, ein Datenanalyseprojekt zur digitalen Transformation in grünen Unternehmen. selbständig durchzuführen und daraus Handlungsempfehlungen für nachhaltige Unternehmen abzuleiten.

Fachkompetenz:

Schlüsselbegriffe der datengetriebenen digitalen Transformation und Data Science zu erklären
Voraussetzungen und potenzielle Herausforderungen von Big-Data-Analysen und künstlicher Intelligenz zu erörtern
Geeignete Analysemethoden für gegebene Probleme auszuwählen
Den Ressourcenverbrauch von Data Science-Projekten einzuschätzen
Ausgewählte Data-Science-Methoden und -Tools nachhaltig unzuwenden
Implikationen von Datenanalyseprojekten für nachhaltiges Management abzuleiten

Methodenkompetenz

Quantitative Datenanalysen durchzuführen
Die Programmiersprache Python anzuwenden

Sozialkompetenz:

Im Rahmen von Gruppenarbeiten gemeinschaftlich und selbstorganisiert Themen zu bearbeiten
Fachinhalte adäquat zu verbalisieren und entsprechende Fachdiskussionen mit Peers zu führen

Inhalte:

In diesem Kurs geht es um die Nutzung von (Big) Data und Künstlicher Intelligenz zur Förderung der digitalen Transformation in grünen Unternehmen. Big Data und KI bieten ein enormes Potenzial für die Förderung nachhaltiger Geschäftsmodelle, z. B. durch die Unterstützung kohlenstoffarmer Energiesysteme mit hoher Integration von erneuerbaren Energien und Energieeffizienz (Vinueasa et al. (2020) oder die Entwicklung von nachhaltigen Fertigungsverfahren und Kapazitäten für die Kreislaufwirtschaft.

Die Veranstaltung deckt die grundlegenden Prinzipien oder Konzepte ab, die der Data Science zugrunde liegen, bietet Implementierungsbeispiele in Python und erörtert die Anwendung der Ergebnisse in einem grünen Geschäftskontext.

Bedeutung und Anwendung von Data Science im Bereich von Digital Green Business
Grundlegende Konzepte und Techniken der angewandter Data Science in Python
Überwachtes vs. unüberwachtes Lernen
Regression
Klassifizierung
Ähnlichkeit und Clustering
Kausalität vs. Korrelation
Vermeidung von Overfitting
Analyse der Modell-Performance
Nachhaltigkeit von Machine Learning und Artificial Intelligence
Datenanalytisches Denken

Lehr- und Lernmethoden:

Seminaristischer Unterricht
Gastvorträge
Projektarbeit
Gruppenarbeit
Learning Lab-Workshop

Stellenwert der Note in der Endnote des Masters (Masterzeugnis): 6 / 90

Literatur:

Chauhan, C., Parida, V. and Dhir, A., 2022. Linking Circular Economy and Digitalisation Technologies: A Systematic Literature Review of Past Achievements and Future Promises. Technological Forecasting and Social Change, 177, p.121508, https://doi.org/10.1016/j.techfore.2022.121508.
Henderson, P., Hu, J., Romoff, J., Brunskill, E., Jurafsky, D., & Pineau, J. (2020). Towards the systematic reporting of the energy and carbon footprints of machine learning. Journal of Machine Learning Research, 21(248), 1-43.
O'Neil, C. and Schutt, R. (2014), Doing Data Science: Straight Talk from the Frontline, O'Reilly, Sebastopol.
Provost, F. and Fawcett, T. (2013), Data Science for Business: What You Need to Know About Data Mining and Data Analytic Thinking, O'Reilly, Sebastopol.
Vinuesa, R., Azizpour, H., Leite, I., Balaam, M., Dignum, V., Domisch, S., Felländer, A., Langhans, S.D., Tegmark, M. and Fuso Nerini, F. (2020), The Role of Artificial Intelligence in Achieving the Sustainable Development Goals. Nature Communications, 11(1), 233, https://doi.org/10.1038/s41467-019-14108-y.

Weitere Literaturhinweise werden im Zielblatt des jeweiligen Studiensemesters mit ausgewiesen/vorgestellt.

Learning Objectives / Competencies:

After completing the module, students are able to independently carry out a data analysis project on digital transformation in green companies and derive recommendations for action for sustainable companies from this.

Professional competence

Explain key concepts of data-driven digital transformation and data science
Discuss prerequisites and potential challenges of Big Data analytics and artificial intelligence.
Select appropriate analysis methods for given problems
Assess the resource consumption of data science projects
Apply selected data science methods and tools in a sustainable way
Derive implications of data analysis projects for sustainable management

Methodological competence

Perform quantitative data analysis
Use the Python programming language

Social competence:

Work on topics in a collaborative and self-organized manner within the framework of group work
Verbalize subject content adequately and to lead corresponding subject discussions with peers

Contents:

This course is about using (Big) Data and Artificial Intelligence to drive digital transformation in green businesses. Big Data and AI offer tremendous potential for advancing sustainable business models, e.g., by supporting low-carbon energy systems with high integration of renewables and energy efficiency (Vinueasa et al. (2020) or developing sustainable manufacturing processes and capacities for the circular economy.

The course covers the basic principles or concepts underlying Data Science, provides implementation examples in Python, and discusses the application of the results in a green business context.

Importance and application of Data Science in the field of Digital Green Business
Basic concepts and techniques of applied Data Science in Python
Supervised vs. unsupervised learning
Regression
Classification
Similarity and Clustering
Causality vs. correlation
Avoidance of overfitting
Analysis of model performance
Sustainability of Machine Learning and Artificial Intelligence
Data Analytical Thinking

Teaching and learning methods:

Seminar-based teaching
Guest lectures
Project work
Group work
Learning Lab workshops

Value of the grade in the final grade of the master's degree (master's certificate): 6 / 90

Literature:

Chauhan, C., Parida, V. and Dhir, A., 2022. Linking Circular Economy and Digitalisation Technologies: A Systematic Literature Review of Past Achievements and Future Promises. Technological Forecasting and Social Change, 177, p.121508, https://doi.org/10.1016/j.techfore.2022.121508.
Henderson, P., Hu, J., Romoff, J., Brunskill, E., Jurafsky, D., & Pineau, J. (2020). Towards the systematic reporting of the Energy and carbon footprints of machine learning. Journal of Machine Learning Research, 21(248), 1-43.
O'Neil, C. and Schutt, R. (2014), Doing Data Science: Straight Talk from the Frontline, O'Reilly, Sebastopol.
Provost, F. and Fawcett, T. (2013), Data Science for Business: What You Need to Know About Data Mining and Data Analytic Thinking, O'Reilly, Sebastopol.
Vinuesa, R., Azizpour, H., Leite, I., Balaam, M., Dignum, V., Domisch, S., Felländer, A., Langhans, S.D., Tegmark, M. and Fuso Nerini, F. (2020), The Role of Artificial Intelligence in Achieving the Sustainable Development Goals. Nature Communications, 11(1), 233, https://doi.org/10.1038/s41467-019-14108-y.

Additional references will be included/presented in the objective sheet for each semester of study.