Hochschule München

HM Business School (FK 10)

Modulbeschreibung

Stand: SoSe 2024

Name	Data-Driven Digital Transformation in Green Business
Katalog-Nummer	FK 10#MBAGEDI#MBA 12
Zugehörigkeit zu Curriculum	MBA Green Economy and Digital Innovation \| MBA 12 \| 6 Leistungspunkte
Modulverantwortung	Günzel, Holger (Prof) Anderl, Eva (Prof. Dr.)
Lehrende
Prüfung(en)	Prüfungsform: ModA Detailangaben: 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 Hildsmittel: Prüfende: Anderl, Eva (Prof. Dr.) , Brehm, Lars (Prof. Dr.)
Lehr- und Lernform(en)	\| 4 SWS \| SU - wird nicht angeboten
Arbeitsaufwand	Präsenzzeit: 0 Stunden Selbststudium, Vor- und Nachbereitung, Prüfungsvorbereitung: 0 Stunden
Voraussetzungen
Verwendbarkeit
Inhalt / Lernziele	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.

English Version

Name	Data-Driven Digital Transformation in Green Business
Katalog-Nummer	FK 10#MBAGEDI#MBA 12
Zugehörigkeit zu Curriculum	MBA Green Economy and Digital Innovation \| MBA 12 \| 6 Leistungspunkte
Modulverantwortung	Günzel, Holger (Prof) Anderl, Eva (Prof. Dr.)
Lehrende
Prüfung(en)	Prüfungsform: ModA Detailangaben: 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 Hildsmittel: Prüfende: Anderl, Eva (Prof. Dr.) , Brehm, Lars (Prof. Dr.)
Lehr- und Lernform(en)	\| 4 SWS \| SU - wird nicht angeboten
Arbeitsaufwand	Präsenzzeit: 0 Stunden Selbststudium, Vor- und Nachbereitung, Prüfungsvorbereitung: 0 Stunden
Voraussetzungen
Verwendbarkeit
Inhalt / Lernziele	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.