Modulbeschreibung

Ausgangskompetenzen / Grobziele

Die Studierenden…

• Haben fachliche Mitsprachekompetenz im Kontext von BI und BA.

Fachkompetenz

Die Studierenden…

• Kennen die Grundlagen und Prinzipien moderner Datenauswertung auf Basis analytischer Informationssysteme und Verfahren des Data Mining.
• Kennen den neuesten Stand ausgewählter Konzepte und Technologien moderner Business Intelligence Seite 2/4 Business Intelligence and Business Analytics (BINA) / V5 (BI) Systeme und verstehen deren Nutzungs- und Einsatzmöglichkeiten. Sie sind weiter in der Lage, diese Kenntnisse auf ausgewählte Fragstellungen der modernen Managementunterstützung (bspw. im Kontext von Data Driven Enterprises) anzuwenden.
• Die Studierenden gewinnen ein vertieftes Verständnis für den idealtypischen Aufbau einer Data Warehouse (DWH) Lösung, für das Zusammenspiel der einzelnen Komponenten und der dabei notwendigen Datenaufbereitungsschritte (ETL). Sie gewinnen zudem ein vertieftes Verständnis der modernen Erweiterungen im Kontext von Big Data, NoSQL und hybriden Architekturen (Data Lakes).
• Im Bereich der deskriptiven und diagnostischen Analytik kennen und verstehen die Studierenden exemplarische Vertreter der grundlegenden algorithmischen Verfahren zu Clustering/Classification, zu Time Series, zu Process Mining (bspw. bei Business Prozessen), zu Recommender Systems (bspw. bei eCommerce Plattformen), zu Web Analytics (User Profiling/Tracking) und Network/Graph Analytics (bspw. bei Social Media Network).

Methodenkompetenz

Die Studierenden…

• Sind in der Lage, komplexe Probleme einer adäquaten Entscheidungsunterstützung mit Hilfe von Business Analytik Tools und Techniken geeignet anzugehen (bspw. Reporting und Visualisierung). Sie kennen die einschlägigen Reporting und Visualisierungsstandards (bspw. IBCS).
• Die Studierenden vertiefen ihr Verständnis für das Knowledge-Discovery-in-Databases (KDD) anhand des CRISP Data Mining Prozesses u.a.
• Sind des Weiteren in der Lage, analytische Verfahren zu typisieren (temporal bzw. algorithmisch) und verstehen Konzepte und Entwicklungsschritte hin zu einem analytischen Modell (Machine Learning/Model Training & Evaluation)

Sozial- und Selbstkompetenz

Die Studierenden…

• Können Sachverhalte, Anforderungen und Resultate/Analysen im Bereich Business Intelligence zielpublikumsgerecht kommunizieren

Schwerpunkt 1: Grundlagen und Konzepte

• Begriffe und Definitionen
• BI/BA in modernen Organisationen, Data Driven Enterprises, Performance Management (KPIs)
• BI/BA Strategie, Organisation & Governance, Compliance & Regulations
• Reporting und Visualisierung, Standards

Schwerpunkt 2: Architekturen und Technologien

• Data Warehouse Architektur, Prozesse und Komponenten
• Poly-strukturierte Datenhaltung: RDBMS, NoSQL, NewSQL
• Verteilte Datenhaltung/-verarbeitung, Big Data
• Data Lake und hybride Architekturen, Cloud Plattformen und Infrastrukturen
• Stream und Complex Event Processing

Schwerpunkt 3: Knowledge Discovery in Databases/Data Mining

• Data Mining Prozess/Verfahren (CRISP-DM u.a.)
• Data Extraction, Data Cleaning, Data Quality
• Data Ingestion&Transformation, ETL/ELT
• Descriptive Statistics und Data Visualization
• Process Mining
  
  

Schwerpunkt 4: Business Analytics

• Machine Learning Basics: Supervised, Unsupervised, Reinforced Learning
• Model Training, Testing & Evaluation, Deployment
• Feature Engineering
• Descriptive & Diagnostic Analytics
• Machine Learning: , Clustering/Classification, Regression Techniques and Time Series, Assoziationsanalysen (Recommender Systems/eCommerce), Web Analytics (Clickstream Analytics, User Tracking/Profiling), Graph/Network Analytics (Social Media)

Kontaktstudium

• Dialogorientierter Unterricht mit integrierten Übungen

Selbststudium

• Werkstatt/Übungen
• Papers/Videos zur Vertiefung und Anwendung der erlernten Theorie
• Einzel- oder Gruppenarbeit (z.B. Fallstudien) zur Vertiefung des Lerninhaltes und zur selbständigen Erarbeitung neuer Inhalte
• Sample Scripts and Code Snippets (Python/Jupyter und diverse Libraries)

• Grossmann, W.; Rinderle-Ma, Stefanie; “Fundamentals of Business Intelligence“, Springer (2015)
• Kemper, H-G., Baars, H., Mehanna, W.; „Business Intelligence – Grundla-gen und praktische Anwendungen“, Vieweg (2010)
• Runkler, T.A.; “Data Mining. Methoden und Algorithmen intelligenter Da-tenanalyse“, Vieweg (2016)
• Gansor, T.; Totok, A.; Stock, S. (2010); “Von der Strategie zum Business Intelligence Competency Center (BICC)”, Hanser/TDWI (2015)
• Kimball/Ross; “The Data Warehouse Toolkit: The Definitive Guide To Dimensional Modeling”; Wiley 2013
• Provost/Fawcett; “Data Science for Business: What you need to know about Data Mining and Data Analytic Thinking”; O’Reilly 2013
• Sherman, Rick; “Business Intelligence Guidebook: From Data Integration to Analytics”; Morgan 2014 Seite 4/4 Business Intelligence and Business Analytics (BINA) / V5
• King, S.; "Big Data - Potential und Barrieren der Nutzung im Unternehmenskontext"; Springer Berlin, 2014
• Davenport, T. H.; "big data @ work: Chancen erkennen, Risiken verstehen"; Valen 2014/ Harvard Business Review Press 2014
• Wong, D.M.; “The Wall Street Journal Guide To Information Graphics: The Dos And Don’ts of Presenting Data, Facts, And Figures”; Norton & Com-pany, 2010
• Hichert, R.; Faisst, J.; “Gefüllt,gerahmt, schraffiert: Wie visuelle Einheitlichkeit die Kommunikation mit Berichten, Präsentationen und Dashboards verbessert“; Vahlen (2019)

Eine allfällige Präsenzpflicht wird anfangs Semester bekannt gegeben.