Datenanalyse

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

Grundlagen der Wirtschaftsinformatik, insbesondere folgende Module aus dem Bachelor Wirtschaftsinformatik:

• Betriebswirtschaftslehre
• Datenbanksysteme
• Software Engineering I und II
• Softwareentwicklung I und II
• Statistik und Operations Research
• Wirtschaftsmathematik I und II

LERNZIELE: Ziel des Moduls ist die Vermittlung von Kenntnissen zu Zielen, Theorie und Praxis der Datenanalyse und der automatisierten Auswertung von großen Datenmengen. Beispiele: Kreditwürdigkeitsprüfungen (Schufa, Kreditkarten etc.), Klassifizierung von Kundendaten (Kundenbindungsprogramme u.ä.) bis zur kontrovers diskutierten Rasterfandung.

FACH- & METHODENKOMPETENZ:

• Die Studierenden erwerben grundlegend Kenntnisse über den Umgang mit Methoden, Techniken, Verfahren und Werkzeugen zur Analyse von Daten.
• Die Studierenden gewinnen Wissen über den Einsatz von Konzepten der Datenanalyse im betrieblichen Umfeld.
• Die Studierenden können Verfahren zur Datenanalyse fundiert beurteilen und anwenden.
• Die Studierenden verfügen über die fachlicheFähigkeiten, um Projekte zur Datenanalyse im betrieblichen Umfeld zu verstehen, zu steuern und voranzutreiben.
• Die Studierenden können Methoden der Datenanalyse als Forschungsmethode bei Forschungsprojekten anwenden

ÜBERFACHLICHE KOMPETENZ:

• Die Studierenden arbeiten in Projekten mit dem Fokus auf Datenanalyse in Teams zusammen.
• Die Studierenden erarbeiten sich Teilgebiete der Datenanalyse selbständig und planen ihre Arbeitsabläufe eigenverantwortlich.

• Bedeutung der Datenanalyse im Bereich der Informationstechnik und Wirtschaft
• Bedeutung der Datananalyse als Forschungsmethode
• Explorative und konfirmatorische Datenanalyse
• Methoden zur Datenvorverarbeitung (Preprocessing, Feature-Extraktion)
• Verfahren zur Analyse großer Datenmengen und komplexer Datenstrukturen
• Spezielle Aspekte und gewählte Anwendungen zur Datenanalyse
• Ausgewählte Verfahren des Operations Research

• Folien (Powerpoint, PDF) und Tafel
• Labor-PC mit Softwaretools zur Datenanalyse (Excel, R-Project u.a.)

• Bruce, P. & Bruce, A. (2017), Practical Statistics for Data Scientists: 50 Essential Concepts, O'Reilly Media, Sebastopol.
• Grimmett, G. & Welsh, D. (2014), Probability: an introduction, Oxford University Press, Oxford.
• Haerdle, W. K. & Hlavka, Z. (2015), Multivariate Statistics - Exercises and Solutions, Springer, Berlin, Heidelberg.
• Han, J.; Pei, J. & Kamber, M. (2011), Data mining: concepts and techniques, Morgan Kaufmann, San Francisco.
• Hand, D. J. & Berthold, M. (2003), Intelligent Data Analysis: An Introduction, Springer, Berlin.
• James, G.; Witten, D.; Hastie, T. & Tibshirani, R. (2013), An introduction to statistical learning, Springer, New York.
• Klenke, A. (2013), Probability theory: a comprehensive course, Springer, Berlin, Heidelberg.
• Mittag, H. J. (2017), Statistik, Springer Spektrum.
• sowie weitere in der Veranstaltung bekanntgegebene Literatur.