Hochschule München

HM Business School (FK 10)

Modulbeschreibung

Stand: WiSe 2025

Name Research Methods: Business Analytics by Data Mining and Data Science
Katalog-Nummer FK 10#PPM#M1.1
Zugehörigkeit zu Curriculum
Master Betriebswirtschaft | M1.1 | 5 Leistungspunkte
Modulverantwortung
Prof. Dr. Christian Greiner
Lehrende
Prof. Dr. Christian Greiner
Prüfung(en)
Prüfungsform: ModA 60 % und Präs 40 %.
Detailangaben: For further details see moodle course: https://moodle.hm.edu/course/view.php?id=1898
Hildsmittel:
Prüfende: Prof. Dr. Christian Greiner , Prof. Dr. Alexander Bohnert
Lehr- und Lernform(en)
| 4 SWS | S - 1 Angebot(e)
Arbeitsaufwand
Präsenzzeit: 0 Stunden
Selbststudium, Vor- und Nachbereitung, Prüfungsvorbereitung: 0 Stunden
Voraussetzungen
Verwendbarkeit
Inhalt / Lernziele

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:

  • Entscheidungstheorie 
  • Decision Making und deren Anwendung in die betriebliche Praxis. 
  • Bedeutung der Datenanalyse im Bereich der Informationstechnik und Wirtschaft 
  • Explorative und konfirmatorische Datenanalyse 
  • Ausgewählte Methoden zur Datenvorverarbeitung (Preprocessing, Feature-Extraktion) 
  • Ausgewählte Verfahren zur Analyse großer Datenmengen und komplexer Datenstukturen 
  • Artificial Intelligence (AI) und Machine Learning 
  • Spezielle Aspekte und gewählte Anwendungen zur Business Analytics 
  • Softwarepakete für die Analyse, SPSS; R; KNIME; Kaggle; Jupyter 

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 
Im Rahmen dieses Moduls können auch Exkursionen durchgeführt werden. 

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 
English Version
Name Research Methods: Business Analytics by Data Mining and Data Science
Katalog-Nummer FK 10#PPM#M1.1
Zugehörigkeit zu Curriculum
Master Betriebswirtschaft | M1.1 | 5 Leistungspunkte
Modulverantwortung
Prof. Dr. Christian Greiner
Lehrende
Prof. Dr. Christian Greiner
Prüfung(en)
Prüfungsform: ModA 60 % und Präs 40 %.
Detailangaben: For further details see moodle course: https://moodle.hm.edu/course/view.php?id=1898
Hildsmittel:
Prüfende: Prof. Dr. Christian Greiner , Prof. Dr. Alexander Bohnert
Lehr- und Lernform(en)
| 4 SWS | S - 1 Angebot(e)
Arbeitsaufwand
Präsenzzeit: 0 Stunden
Selbststudium, Vor- und Nachbereitung, Prüfungsvorbereitung: 0 Stunden
Voraussetzungen
Verwendbarkeit
Inhalt / Lernziele
THE GERMAN VERSION IS LEGALLY BINDING

Learning Objectives:
 
The aim of the module is to provide knowledge on the objectives, theory and practice of decision making based on big data, gaining insight from data analysis (business analytics) and automated analysis of big data using data mining, AI and data science. Application examples: Credit scoring, customer data classification, customer loyalty programs, etc. 

Competencies:
  • SKILLS & METHODOLOGY COMPETENCE: Students acquire a sound knowledge of the use of methods, techniques, procedures and tools for decision-making based on the analysis of data. Students will apply these concepts of Artificial Intelligence and Business Analytics (data analysis) to solve decision problems in a business environment and evaluate the results of your analysis. 
  • SELF & SOCIAL COMPETENCE: Students solve self-selected problems in teams. The instructor coaches the students in technical and methodological aspects. Students independently select the problem, data basis, analysis method and software implementation. The students reflect on the content-related results as well as the team and project performance. They examine and evaluate improvement potentials of future projects in the same context based on the gained knowledge and experience. 
Contents:
  • Decision theory 
  • Decision making and its application to business practice. 
  • Importance of data analysis in the field of information technology and business. 
  • Exploratory and confirmatory data analysis 
  • Selected methods for data preprocessing (preprocessing, feature extraction) 
  • Selected methods for analyzing large data sets and complex data structures 
  • Artificial Intelligence (AI) and Machine Learning 
  • Special aspects and selected applications for business analytics 
  • Software packages for analysis, SPSS; R; KNIME; Kaggle; Jupyter 

Applied models / methods of business administration: 
  • Models of decision making 
  • Methods for the analysis of the company situation (SWOT, BCG, 5 Forces, PESTEL, PISANO etc.) 

Empirical methods:
  • Graphical processing and descriptive analysis 
  • Regression analyses
  • Methods of AI 
  • Statistical tests and interpretation of results 
  • Multivariate methods 

Qualitative-interpretative methods: 
  • Expert interview, 
  • Case study analysis 
  • Literature research
Teaching and learning methods 
  • Seminar-based teaching with project work 
  • Business game 
  • Laboratory PC with software tools for data analysis (Excel, R-Project, Python etc.) 
  • Presentations 
  • In the context of this module also excursions can be carried out. 

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, 6th edition, Pearson 2012 
  • 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. 

Scientific articles from A+, A and B category journals according to the VHB ranking sub-ranking. 


Case studies and supplementary documents are provided interactively under Moodle