Modulbeschreibung
Data Analytics
Kürzel:
Durchführungszeitraum:
ECTS-Credits:
Arbeitsaufwand (h):
Lernziele:
Im Modul Data Analytics erlernen die Studierenden grundlegende Konzepte, Tools und Methoden in Analytics und Data Science und erhalten eine anwendungsorientierte Einführung sowie einen Überblick über die Potenziale der datenbasierten Entscheidungsfindung und Unternehmensführung.
Verantwortliche Person:
Standort (angeboten):
Zusätzlich vorausgesetzte Kenntnisse:
Grundlagen der Statistik, empirischen Sozialforschung, Marktforschung o. ä. (Bachelorstufe)
Modultyp:
Bemerkungen:
Workload[h]
Kontaktstudium: 21
Begleitetes Selbststudium: 36
Unbegleitetes Selbststudium: 33
ECTS-Credits pro Kategorie
Modulbewertung
Bewertungsart:
Leistungsbewertung
Während der Prüfungssession:
Bemerkungen zur Prüfung:
Schriftliche "closed book"-Prüfung: keine Hilfsmittel.
Während des Semesters:
Bewertungsart:
Gewichtung:
Schriftliche Abschlussprüfung: 100%
Bemerkungen:
Assignments während dem Semester: Bearbeitung und fristgerechte Abgabe von Assignments bilden die Voraussetzung zum Prüfungsantritt, werden aber nicht bewertet.
Kurse in diesem Modul
Data Analytics
Kürzel:
Semester:
Lernziele:
Fachkompetenzen:
Die Teilnehmenden können
- Begrifflichkeiten, Zielsetzungen und Abgrenzungen von Analytics-Konzepten erklären.
- unterschiedliche Data Analytics-Anwendungsbereiche beschreiben.
- Analytics-Use Cases entwickeln.
- den Ablauf eines Analytics-Projekts planen und Projektergebnisse beurteilen.
Methodenkompetenzen:
Die Teilnehmenden können (grundlegend)
- Daten inspizieren.
- Daten bereinigen und aufbereiten.
- Daten analysieren.
- Daten/Modelle evaluieren.
- Ergebnisse interpretieren.
Selbstkompetenzen:
Die Teilnehmenden können
- sich selbständig neues Fachwissen aneignen.
- eigenständig Problemstellungen bearbeiten und Lösungen entwickeln.
- (selbst-)kritisch Resultate reflektieren.
- komplexe Sachverhalte effektiv kommunizieren.
Sozialkompetenzen:
Die Teilnehmenden können
- im Team Problemstellungen bearbeiten und Lösungen entwickeln.
- empfängerorientiert kommunizieren/diskutieren.
- Arbeitsergebnisse überzeugend präsentieren.
Plan und Lerninhalt:
Themen-/Lernblock I: Einführung in Data Analytics
- Grundlagen und Zielsetzungen
- Begrifflichkeiten, Definitionen und Abgrenzungen
- Anwendungsbereiche
Themen-/Lernblock II: Datenwertschöpfung und Use Case-Entwicklung
- Wertschöpfungsmechanismen
- Aufgabeneignung für Machine Learning
- I/O-Modell und ML-Canvas
- Use Case-Entwicklung
Themen-/Lernblock III: Daten präparieren
- Inspektion
- Bereinigung
- Präparation
Themen-/Lernblock IV: Daten analysieren
- Analyse-Tools und Programmiersprachen
- ML-Hauptformen und Problemarten
- ML-Prozess
Themen-/Lernblock V: Daten interpretieren
- Ergebnis- und Modellevaluation
- Korrelation vs. Kausalität
- Business Experiments
Ansprechspersonen:
Unterrichtssprache:
Lehr- und Lernmethoden:
Lehrgespräch, Fallstudien, Einzel- und Gruppenarbeiten, Diskussionen, Präsentationen
Bibliographie:
Pflichtliteratur:
- Folienhandouts und Übungsmaterialien
- Pflichtliteratur gemäss Lernplattform
Weiterführende Literatur:
- Optionale Literatur gemäss Lernplattform
- Literatur gemäss Literaturverzeichnis
Kursart:
Durchführung gemäss Stundenplan