Präsenzstudium: ca. 42 Std., Eigenstudium: ca. 108 Std.

Grundlagen der Wirtschaftsinformatik, insbesondere folgende Gebiete aus den Bachelors Wirtschaftsinformatik:

• Betriebswirtschaftslehre
• Statistik und Operations Research
• Wirtschaftsmathematik

LERNZIELE: Die Studierenden sollen ausgewählte Verfahren aus den Bereichen der Datenanalyse und Entscheidungstheorie kennen und anwenden können, um sie im betrieblichen Umfeld beurteilen und einsetzen zu können.

FACH- & METHODENKOMPETENZ:

Datenanalyse

• Die Studierenden erwerben Kenntnisse über die Phasen im Rahmen einer Analyse von, vor Geschäftsdaten. Sie kennen unterschiedliche Datenkategorien und können ihr Einsatzpotentiale beurteilen.
• Die Studierende haben grundlegende Kenntnisse über die Notwendigkeit der Datenvorbereitung im Rahmen der Datenanalyse.
• Die Studierenden erwerben Kenntnisse über Methoden aus dem Bereich des maschinellen Lernens und haben die Fähigkeit ausgewählte Algorithmen anzuwenden.
• Die Studierende haben ein grundlegendes Verständnis über die Funktionsweise von Neuronalen Netzen. Sie können Begriffe wie beispielsweise KI und Deep Learning einordnen.
• Die Studierende erwerben und vertiefen ihre Kenntnisse in der Bayes’sche Entscheidungstheorie und Statistik.
• Die Studierende können Ergebnisse der Datenanalyse beurteilen und bewerten.
• Die Studierende erwerben grundlegendes Verständnis im Bereich der Kombinatorik.
• Die Studierende haben grundlegende Kenntnisse über Entwicklungsumgebungen und Tools zur Datenanalyse und können die Ergebnisse visualisieren.

Entscheidungstheorie

• Die Studierenden erwerben Kenntnisse über die Grundlagen der Entscheidungstheorie.
• Die Studierende haben grundlegende Kenntnisse über Zielsysteme.
• Die Studierende können Einscheidungssituationen einordnen.
• Die Studierenden haben ein grundlegendes Verständnis über ausgewählte Verfahren zur Entscheidungsfindung können Anwendungsfälle modellieren.
• Die Studierenden erwerben Kenntnisse über ausgewählte Beispiele für nicht rationales Entscheidungsverhalten.

ÜBERFACHLICHE KOMPETENZ:

• Die Studierenden arbeiten in Projekten zu Datenanalyse und (automatisierten) Entscheidungsfindung in Teams zusammen.
• Die Studierenden erarbeiten sich Teilgebiete dieser Themenbereiche selbständig und planen ihre Arbeitsabläufe eigenverantwortlich.

• Grundlagen der Datenanalyse und Entscheidungstheorie
• Entwicklungsumgebungen und Tools zur Datenanalyse
• Verfahren zur Datenvorbereitung
• Verfahren zum maschinellen Lernen
• Verfahren zur Beurteilung von Analyseergebnissen
• Neuronale Netze sowie Bayes’sche Entscheidungstheorie und Statistik
• Kombinatorik
• Zielsysteme und Anforderungen an Zielsysteme
• Kategorisierung von Einscheidungssituationen
• Ausgewählte Verfahren zur Entscheidungstheorie, wie etwa zur Multi-Kritertia-Analyse oder alternativ andere Gebiete
• Beispiele für die Verletzung von Rationalitätspostulate

• Präsentationsprogramme und Tafel/Whiteboard
• Einschlägige Webseiten und Zeitschriftenartikel
• Labor-PC mit Softwaretools zur Datenanalyse und Entscheidungsunterstützung (z.B. Python, R-Project, Expert Choice u.a.)

• Bamberg, G., Baur, F. and Krapp, M. (2022), Statistik, De Gruyter Oldenburg, Berlin, Boston.
• Bamberg, G., Coenenberg, A. G. and Krapp, M. (2019), Betriebswirtschaftliche Entscheidungslehre, Verlag Franz Vahlen, Muenchen.
• Bensberg, F. (2019), Nutzwertanalyse, in N. Gronau and J. Becker and N. Kliewer and J. M. Leimeister and S. Overhage, ed., 'Enzyklopädie der Wirtschaftsinformatik – Online-Lexikon', GITO, Berlin.
• Brinkmeyer, D. and Müller, R. A. E. (1994), 'Entscheidungsunterstützung mit dem AHP', Zeitschrift für Agrarinformatik 5, 82--92.
• Eisenführ, F. and Weber, M. (2003), Rationales Entscheiden, Springer, Berlin, Heidelberg.
• Goebel, E. (2018), Entscheidungstheorie, UVK Verlag, Konstanz.
• Han, J., Pel, J. and Tong, H. (2022), Data Mining: Concepts and Techniques, Morgan Kaufmann, Burlington, MA.
• Jain, A. K. (2010), 'Data clustering: 50 years beyond K-means', Pattern Recognition Letters 31, 651--666.
• Jain, A. K. and Dubes, R. C. (1988), Algorithms for clustering data, Prentice-Hall, Englewood Cliffs, NJ, USA.
• Jain, A. K., Murty, M. N. and Flynn, P. J. (1999), 'Data Clustering: A Review', ACM Computing Surveys 31(3), 264--323.
• Kahneman, D. (2011), Thinking, fast and slow, Farrar, Straus and Giroux, New York.
• Kühnapfel, J. B. (2021), Scoring und Nutzwertanalysen - Ein Leitfaden für die Praxis, Springer Gabler, Wiesbaden.
• Laux, H., Gillenkirch, R. M. and Schenk-Mathes, H. Y. (2018), Entscheidungstheorie, Springer Gabler, Berlin, Heidelberg.
• Nussbaumer-Knaflic, C. (2015), Storytelling with Data: A Data Visualization Guide for Business Professionals, Wiley, Hoboken, NJ.
• Nussbaumer-Knaflic, C. (2019), Storytelling with Data: Let's Practice!, Wiley, Hoboken, NJ.
• Shmueli, G., Bruce, P. C., Yahav, I., Patel, N. R. and Lichtendahl Jr, K. C. (2017), Data mining for business analytics: concepts, techniques, and applications in R, John Wiley & Sons, Hoboken, NJ.
• Venables, W. N., Smith, D. M. and Team, R. C. (2023), 'An Introduction to R'.
• Wiese, H. (2002), Entscheidungs- und Spieltheorie, Springer, Berlin.
• sowie weitere Literatur zu ausgewählten Themengebieten, die in der Veranstaltung bekanntgegeben wird.