Hochschule München

Lernziele / Kompetenzen:

Gegenstand des Seminars ist die praktische Datenanalyse unter Zuhilfenahme der statistischen Software R. Nach dem Besuch dieses Seminars sind die Studierenden in der Lage, deskriptive Verfahren sowie fortgeschrittene inferenzstatistische Methoden und Modelle aus dem Gebiet der Statistik (und der Data Science) auf praktische Fragestellungen anzuwenden. Auch gelingt die Interpretation der Ergebnisse in Bezug auf konkrete Anwendungsfälle.

Nach einer Einführung in die Statistik-Software R wird die Anwendung der Methoden und ihre Interpretation wird in integrierten Übungssequenzen vorgeführt und eingeübt. Behandelt werden u.a. Einlesen und Handhabung von Datensätzen, Verwendung von Befehls-Syntax, Erstellung deskriptiver Statistiken sowie die gebräuchlichsten inferenzstatistischen Verfahren z.B. zum Vergleich von Mittelwerten. Anschließend widmen sich die Studierenden eigenen Analyseprojekten mit betriebswirt-schaftlichem Bezug (z.B. Analyse der Charaktistika von Top 10 Hits eines Streaminganbieters, Erfolgsmessung von Marketingkampagnen, Kreditrisikomodellierung) und stellen ihre Ergebnisse vor. So lernen die Teilnehmer:innen die vielfältigen Anwendungsmöglichkeiten an der Schnittstelle von Statistik und BWL kennen und erkennen das Potenzial der Daten-getriebenen Lösung von Problemen in der Praxis.

Inhalte:

Anwendungsnahe Vermittlung der Grundlagen statistischer Software R und einiger ausgewählter statistischer Verfahren, beispielsweise:

·         Statistische Maße zur Beschreibung von Zusammenhängen

·         Inferenzstatistische Verfahren zur Prüfung von Hypothesen

·         Statistische Modellierung mithilfe der Regressionsanalyse

u.a.

Eingesetzte Methoden der Betriebswirtschaftslehre:

·         Modelle und Methoden der Analyse (z.B.: Forschungs- und Analysemodelle):

o    Einsatz von Signifikanztests

o    Statistische Modelle

·         Quantitativ-Empirische Methoden (z.B.: Vergleichende – statistische, mathematische Methode, Datenanalysen):

o    Regressionsmodelle

o    Generalisierte Regressionsmodelle

o    Multivariate Verfahren

·         Qualitativ-Interpretative Methoden (z.B.: Experteninterview, Umfragen, standardisierte Erhebungen):

o    Interpretation der statistischen Ergebnisse von Regressionsmodellen

o    Rückführung der Ergebnisse auf die inhaltliche Fragestellung  

Lehr-und Lernmethoden:

·         Seminaristischer Unterricht

·         Selbstgesteuertes Lernen anhand von Praxisbeispielen

·         Kommunikation von Ergebnissen

Literatur:

·         Wird in der Veranstaltung bekannt gegeben.