Modulbeschreibung

Data Analytics

Kurzzeichen:
M_mba.DATA
Unterrichtssprache:
Deutsch
ECTS-Credits:
3
Arbeitsaufwand (h):
90
Leitidee:

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.

Modulverantwortung:
Dr. Klink Benjamin Dominique
Lehrpersonen:
Dr. Klink Benjamin Dominique
Standort (angeboten):
St. Gallen (Standard)
Zusätzliche Eingangskompetenzen:

Grundlagen der Statistik, empirischen Sozialforschung, Marktforschung o. ä. (Bachelorstufe)

Modultyp:
Pflichtmodul für MSc Business Administration STD_23(Empfohlenes Semester: 1)Kategorie:Advanced Management Competencies (AMC)
Bemerkungen:

Workload[h]

Kontaktstudium: 21

Begleitetes Selbststudium: 36

Unbegleitetes Selbststudium: 33

Modulbewertung:
Note von 1 - 6

Leistungsnachweise und deren Gewichtung

Modulschlussprüfung:
Schriftliche Prüfung, 90 Minuten
Bemerkungen zur Prüfung:

Schriftliche "closed book"-Prüfung: keine Hilfsmittel.

Während der Unterrichtsphase:
Bewertungsart:
Note von 1 - 6
Gewichtung:

Schriftliche Abschlussprüfung: 100%

Bemerkungen:

Assignments während dem Semester: Bearbeitung und fristgerechte Abgabe von Assignments bilden die Voraussetzung zum Prüfungsantritt, werden aber nicht bewertet.

Inhalte

Angestrebte Lernergebnisse (Abschlusskompetenzen):

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.
Modul- 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
Lehr- und Lernmethoden:

Lehrgespräch, Fallstudien, Einzel- und Gruppenarbeiten, Diskussionen, Präsentationen

Lehrmittel/-materialien:

Pflichtliteratur:

  • Folienhandouts und Übungsmaterialien
  • Pflichtliteratur gemäss Lernplattform

 

Weiterführende Literatur:

  • Optionale Literatur gemäss Lernplattform
  • Literatur gemäss Literaturverzeichnis