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 sollen grundlegendes Verständnis für Datenanalyse und Entscheidungstheorie entwickeln. Sie können deren Einsatzpotentiale im betrieblichen Kontext beurteilen und ihre Anwendung im Unternehmen begleiten.

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.
• 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
• 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 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.
• 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.