Datenanalytik & Business Modelling
Niveau
2.Semester Master: 1 Studienzyklus
Lernergebnisse der Lehrveranstaltungen/des Moduls
Die Studierenden
• verstehen das Potenzial, aber auch die Herausforderungen von Big Data für das Business Modelling.
• können ausgewählte statistische und quantitative Methoden für Business Modelling anwenden.
• können Ergebnisse aus der Datananalytik interpretieren und für das Business Modelling nutzen.
• können ein Business Analytics Reporting aufbauen.
• verstehen das Potenzial, aber auch die Herausforderungen von Big Data für das Business Modelling.
• können ausgewählte statistische und quantitative Methoden für Business Modelling anwenden.
• können Ergebnisse aus der Datananalytik interpretieren und für das Business Modelling nutzen.
• können ein Business Analytics Reporting aufbauen.
Voraussetzungen der Lehrveranstaltung
2. Semester: Keine Angaben
Lehrinhalte
Grundlagen:
• 4 Entwicklungsstufen des Business Analytics (Descriptive Analytics, Diagnostic Analytics, Predictive Analytics, Prescriptive Analytics)
• Veränderung von Steuerungsprozessen (reaktiv-analytisch vs. proaktiv-prognostizierend; agil, real-time und basierend auf Datenanalyse; faktenbasiert, differenziert und schnell; unternehmens- und wertschöpfungsübergreifend)
• Veränderte Rahmenbedingungen des Business Modelling (hoch ausgebildete Spezialisten; Veränderung von Rollen, Organisationen und Profilen; Informationsprozesse und Qualität von Entscheidungen; Nutzung von internen und externen Daten; konsistente Steuerung)
Analysemethoden:
• Strukturprüfende Analysemethoden (Regressionsanalyse [lineare, nicht-lineare, logistische, exponentielle etc.], Zeitreihenanalyse, Varianz-/Kovarianzanalyse, Diskriminanzanalyse, Kontingenzanalysen)
• Strukturentdeckende Analysemethoden (Faktorenanalyse, Clusteranalyse, Neuronale Netze, Multidimensionale Skalierung, Korrespondenzanalyse, Data Envelopment Analysis)
Business Analytics Prozess:
• Problemidentifikation (Erkennen des Handlungsbedarfs, Abgrenzung von Fragestellungen, Formulierung von Aufgabenstellungen)
• Exploration (Data Acquisition, Data Mining)
• Optimierung (Bestimmung von Umsetzungshürden und Kosten, Planung und Budgetierung, Entwicklung Optimierungskonzept)
• Monitoring (Überwachung der Wirksamkeit, Aufbau eines Monitoringsystems, Definition von Key Performance Indikatoren)
• 4 Entwicklungsstufen des Business Analytics (Descriptive Analytics, Diagnostic Analytics, Predictive Analytics, Prescriptive Analytics)
• Veränderung von Steuerungsprozessen (reaktiv-analytisch vs. proaktiv-prognostizierend; agil, real-time und basierend auf Datenanalyse; faktenbasiert, differenziert und schnell; unternehmens- und wertschöpfungsübergreifend)
• Veränderte Rahmenbedingungen des Business Modelling (hoch ausgebildete Spezialisten; Veränderung von Rollen, Organisationen und Profilen; Informationsprozesse und Qualität von Entscheidungen; Nutzung von internen und externen Daten; konsistente Steuerung)
Analysemethoden:
• Strukturprüfende Analysemethoden (Regressionsanalyse [lineare, nicht-lineare, logistische, exponentielle etc.], Zeitreihenanalyse, Varianz-/Kovarianzanalyse, Diskriminanzanalyse, Kontingenzanalysen)
• Strukturentdeckende Analysemethoden (Faktorenanalyse, Clusteranalyse, Neuronale Netze, Multidimensionale Skalierung, Korrespondenzanalyse, Data Envelopment Analysis)
Business Analytics Prozess:
• Problemidentifikation (Erkennen des Handlungsbedarfs, Abgrenzung von Fragestellungen, Formulierung von Aufgabenstellungen)
• Exploration (Data Acquisition, Data Mining)
• Optimierung (Bestimmung von Umsetzungshürden und Kosten, Planung und Budgetierung, Entwicklung Optimierungskonzept)
• Monitoring (Überwachung der Wirksamkeit, Aufbau eines Monitoringsystems, Definition von Key Performance Indikatoren)
Empfohlene Fachliteratur
Asplen-Taylor, S. (2025). Data and analytics strategy for business: Leverage data and AI to achieve your business goals. London, UK: Kogan Page.
Exler, M. W., & Situm, M. (2025) (Hrsg.). Restrukturierungs- und Turnaround-Management: Strategien, Erfolgsfaktoren und Best Practice für die Transformation. Berlin: Erich Schmidt Verlag.
Llaudet, E., & Imai, K. (2023). Data analysis for social science: A friendly and practical introduction. Princeton, NJ: Princeton University Press.
Runkler, T. A. (2025). Data Analytics: Models and algorithms for intelligent data analysis – a comprehensive introduction. Wiesbaden: Springer.
Exler, M. W., & Situm, M. (2025) (Hrsg.). Restrukturierungs- und Turnaround-Management: Strategien, Erfolgsfaktoren und Best Practice für die Transformation. Berlin: Erich Schmidt Verlag.
Llaudet, E., & Imai, K. (2023). Data analysis for social science: A friendly and practical introduction. Princeton, NJ: Princeton University Press.
Runkler, T. A. (2025). Data Analytics: Models and algorithms for intelligent data analysis – a comprehensive introduction. Wiesbaden: Springer.
Bewertungsmethoden und -Kriterien
Klausur
Unterrichtssprache
Deutsch
Anzahl der zugewiesenen ECTS-Credits
3
Semesterwochenstunden (SWS)
Geplante Lehr- und Lernmethode
Die Lehrveranstaltung, die mehrheitlich dialogorientiert durchgeführt wird, besteht in der Regel aus dem Dreiklang praktische Relevanz, akademische Strukturierung sowie dem selbständigen Erarbeiten von integrativen Fallstudien aus der unmittelbaren Berufs- und Beratungspraxis.
Semester/Trisemester, In dem die Lehrveranstaltung/Das Modul Angeboten wird
2