Analyse und Entscheidung

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 entwickeln ein grundlegendes Verständnis für Datenanalyse und Entscheidungstheorie. Sie beurteilen deren Einsatzpotentiale und wenden sie in der betrieblichen Praxis an. Die Studierenden erschließen sich eigenverantwortlich einschlägige fachliche Informationen, beurteilen deren Qualität und nutzen sie zum selbständigen Lernen. Sie lösen selbstverantwortlich komplexe Aufgaben ergebnisorientiert und werden an ihren erarbeiteten Ergebnissen gemessen.

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 (i. S. v. unüberwachtem, überwachtem und bestärkendem Lernen), und haben die Fähigkeit problemadäquate Algorithmen auszuwählen und anzuwenden.
• Die Studierende haben ein grundlegendes Verständnis über die Funktionsweise von Neuronalen Netzen. Sie können Begriffe wie beispielsweise Künstliche Intelligenz, Deep Learning oder Large Language Model einordnen.
• Die Studierende können Ergebnisse der Datenanalyse beurteilen und bewerten. Sie erwerben grundlegende Kenntnisse über die Visualisierung der Ergebnisse (z. B. mittels Boxplots u. a.).
• Die Studierende haben grundlegende Kenntnisse über Entwicklungsumgebungen und Tools zur Datenanalyse.

Entscheidungstheorie

• Die Studierenden erwerben Kenntnisse über die Grundlagen der Entscheidungstheorie.
• Die Studierende haben grundlegende Kenntnisse über Zielsysteme.
• Die Studierenden haben ein grundlegendes Verständnis über ausgewählte Einscheidungssituationen und können diese einordnen.

ÜBERFACHLICHE KOMPETENZ

• Die Studierenden arbeiten in Projekten zu Datenanalyse und Entscheidungsfindung in Teams zusammen. Sie planen ihre planen ihre Arbeitsabläufe eigenverantwortlich.
• Die Studierenden erarbeiten und vertiefen Teilgebiete dieser Themenbereiche selbstständig und erschließen dabei ergänzende fachliche Quellen und Informationen.
• Sie nutzen einschlägige Recherchemethoden und -systeme, inkl. Online-Suchmaschinen, KI-Tools u. ä., und beurteilen selbstverantwortlich die Qualität und Nutzen der gefundenen Quellen und Informationen.

• Grundlagen der Datenanalyse und Entscheidungstheorie
• Entwicklungsumgebungen und Tools zur Datenanalyse
• Verfahren zur Datenvorbereitung
• Bayes’sche Statistik
• Verfahren zum maschinellen Lernen
• Verfahren zur Beurteilung und Visualisierung von Analyseergebnissen
• Zielsysteme und Anforderungen an die Formulierung von Zielen bzw. Zielsysteme
• Kategorisierung von Einscheidungstheorie und - situationen: deskriptive und normative/präskriptive Entscheidungstheorie
• Ausgewählte multikriterielle Entscheidungsverfahren: Nutzwertanalyse als ein Beispiel für Multiple Attribute Decision Making sowie Multi Objective Decision Making mit gewichteter Zielfunktion und MinMax-Optimierung

• Präsentationsprogramme und Tafel/Whiteboard
• Einschlägige Informationen (off- und online) wie beispielsweise Tutorials (z. B. in Textform oder als Lehr- bzw. Lernvideos), Internetforen, (wissenschaftliche) Zeitschriftenartikel, Fachbücher, Unternehmensnachrichten und -publikationen.
• Entsprechende Recherchemethoden und -systeme, inkl. Online-Suchmaschinen, KI-Tools u. ä.
• Labor-PC mit Softwaretools (off- und online) 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.
• 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.
• 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.
• 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. (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. (2025), 'An Introduction to R'.
• sowie weitere Literatur zu ausgewählten Themengebieten, die in der Veranstaltung bekanntgegeben wird.