Hochschule München

Lernziele / Kompetenzen:

Nach Absolvierung des Moduls sind die Studierenden in der Lage:

Fachkompetenz:

Ø  Ziele, Theorie und Praxis der Entscheidungsfindung auf der Basis großer Datenmengen zu beurteilen.

Ø  Datenanalyse (Business Analytics) und automatisierte Auswertung von großen Datenmengen mit Hilfe von Data Mining, AI, Data Science und Robotic Process Automation (RPA) zu bewerten und daraus für das eigene Betriebsumfeld Entscheidungen zu schlussfolgern.

Methodenkompetenz:

Ø  Problem, Datengrundlage, Analysemethoden und softwaretechnische Umsetzung selbstständig auszuwählen und anzuwenden.

Ø  Verbesserungspotenzial von zukünftigen Projekten im selben Kontext auf Basis der gewonnenen Erkenntnisse und Erfahrungen zu beurteilen und eigene Lösungen zu konzipieren.

Sozialkompetenz:

Ø  Die inhaltlichen Ergebnisse der Team- und Projektperformance zu reflektieren und gemeinsam zu argumentieren.

Selbstkompetenz:

Ø  Sich verantwortungsbewusst und entsprechend der gesetzten Zielsetzung für Unternehmens- und Arbeitsziele einer Gruppe einzusetzen.

Inhalte:

Ø  Entscheidungstheorie

Ø  Decision Making und deren Anwendung in der betrieblichen Praxis

Ø  Bedeutung der Datenanalyse im Bereich der Informationstechnik und Wirtschaft

Ø  Explorative und konfirmatorische Datenanalyse

Ø  Ausgewählte Methoden zur Datenvorverarbeitung (Preprocessing, Feature-Extraktion)

Ø  Ausgewählte Verfahren zur Analyse großer Datenmengen und komplexer Datenstrukturen

Ø  Artificial Intelligence (AI) und Machine Learning

Ø  Robotic Process Automation

Ø  Spezielle Aspekte und gewählte Anwendungen zur Business Analytics

Ø  Softwarepakete für die Analyse, SPSS; R; KNIME; Kaggle; Jupyter

Lehr-und Lernmethoden:

Seminaristischer Unterricht: Fallbearbeitung und Fallstudien; Exkursion; Gruppenarbeiten; Praxisbeispiele; Diskussion und Moderation; Übungsaufgaben; Multimedialer Einsatz; Planspiele; Labor-PC mit Softwaretools zur Datenanalyse; ggf. online Lehre

Stellenwert der Note in der Endnote des Master (Masterzeugnis):

5 / 90

Literatur:

Field, A./Miles, J./Field, Z.: Discovering Statistics using R., aktuelle Auflage, London.

Galata R./Scheid S./Wessler M.: Deskriptive und Induktive Statistik für Studierende der BWL, aktuelle Auflage, München.

Goodfellow, I./Bengio Y./Courville A.: Deep learning. MIT Press, aktuelle Auflage, Frechen.

Grus, J.: Data science from scratch: First principles with Python, aktuelle Auflage, Sebastapol (CA).

Lämmel, U./Cleve, J.: Künstliche Intelligenz. Aktuelle Auflage, München.

Müller, A. C./Sarah G.: Introduction to machine learning with Python: a guide for data scientists, aktuelle Auflage, Philadelphia (PA).

Rashid, T.: Make your own neural network. CreateSpace Independent Publishing Platform, aktuelle Auflage, o. O.

Rey, G. D.; Wender, K. F.: Neuronale Netze: Eine Einführung in die Grundlagen, Anwendungen und Datenauswertung, aktuelle Auflage, Bern.

Saunders M./Lewis P./Thornhill A.: Research methods for business students, aktuelle Auflage.

Adams J. et al.: Research Methods for Graduate Business and Social Science Students, aktuelle Auflage, California.

Witten, I. H., et al.: Data Mining: Practical machine learning tools and techniques, aktuelle Auflage, Amsterdam.

Langmann, C./Turi, D.: Robotic Process Automation zur Automatisierung und Digitalisierung von Prozessen, aktuelle Auflage, Wiesbaden.