Big Data Analytics - Methoden und Anwendungen

Überblick und Lernziele

Unternehmen stehen heutzutage – bspw. über soziale Medien und das Internet (z. B. Online Social Networks, Wikis, Bewertungs- und Rezensions-Communities, Diskussionsforen), aber auch in traditionellen Datenbanken (z. B. Data-Warehouse, Kundendatenbanken) – sehr umfangreiche und immer weiter wachsende Datenmengen zur Verfügung. Die zielgerichtete und fundierte Analyse dieser Daten ermöglicht eine verbesserte Entscheidungsunterstützung und birgt großes Potenzial in den unterschiedlichsten Anwendungsbereichen (z. B. Innovationsmanagement, Produktentwicklung, Marketing, Customer Relationship Management, internes Wissensmanagement). Im Modul „Big Data Analytics – Methoden und Anwendungen“ werden hierzu erforderliche Grundlagen und Methoden vermittelt und angewendet. Studierende, die dieses Modul erfolgreich absolviert haben, kennen die wesentlichen theoretischen Grundlagen, Einsatzpotenziale und Risiken von Big Data Analytics und können diese erläutern. Sie sind vertraut mit verschiedenen Methoden zur Analyse von umfangreichen Mengen an strukturierten und unstrukturierten Daten (z. B. Community und Topic Detection, Collaborative und Content-Based Filtering, Routing) und können diese beurteilen und anwenden. Darüber hinaus sind sie in der Lage, diese Methoden zur Lösung praktischer Problemstellungen einzusetzen (z. B. Analyse realer Datensätze mithilfe von Software-Werkzeugen), die Ergebnisse zu interpretieren und Handlungsempfehlungen abzuleiten.

Inhalt

In diesem Modul werden folgende fachlichen Inhalte vermittelt:

  • Einführung und Grundlagen – Big Data Analytics als hoch relevantes Thema
    • Charakteristika, Chancen und Risiken von Big Data
    • Einsatzmöglichkeiten und (wirtschaftliches) Potenzial von Big Data Analytics
  • Big Data Analytics – ausgewählte Anwendungsbereiche und Methoden
    • Social Networks (z. B. Community Detection, Topic Detection, Information Diffusion)
    • Recommender Systems (z. B. Collaborative Filtering, Content-Based Filtering, Link Analysis)
    • Smart Cities (z. B. Routing, Crowd Diffusion)
  • Big Data Analytics – praktische Anwendungen
    • Analyse realer Datensätze mithilfe von Software-Werkzeugen
    • Bearbeitung praktischer Problemstellungen, Interpretation der Ergebnisse und Ableitung von Handlungsempfehlungen

Literatur

  • Heyer, G., Quasthoff, U., Wittig, T. (2006), Text Mining: Wissensrohstoff Text: Konzepte, Algorithmen, Ergebnisse. Bochum: W3L-Verlag.
  • Leskovec, J., Rajaraman, A., Ullman, J.-D. (2014) Mining of Massive Datasets. Cambridge University Press, Cambridge.
  • Liu, B. (2011), Web Data Mining: Exploring Hyperlinks, Contents, and Usage Data, Heidelberg: Springer.
  • Loshin, D. (2013) Big Data Analytics: from Strategic Planning to Enterprise Integration with Tools, Techniques, NoSQL, and Graph. Elsevier, Waltham.
  • Newman, M. E. J. (2010) Networks – An Introduction. Oxford University Press, Oxford.
  • Parthasarathy, S., Ruan, Y., Satuluri, V. (2011) Community Discovery in Social Networks: Applications, Methods and Emerging Trends. In: Social Network Data Analytics, Aggarwal C. C. (Ed.), Springer, New York.
  • Wasserman, S., Faust, K. (1994), Social Network Analysis: Methods and Applications, Cambridge: Cambridge University Press.
  • Zafarani, R., Abbasi, M.-A., Liu, H. (2014), Social Media Mining: An Introduction, Cambridge: Cambridge University Press.

 

Die Literatur wird im Semesterapparat von Prof. Dr. Mathias Klier bereitgestellt.

Materialien

Die Materialien, wie Skript und Übungsblätter, werden auf der Lernplattform Moodle bereitgestellt.

Modulverantwortlicher

Prof. Dr. Mathias Klier

Zeit und Ort

Montag, 14-16 Uhr in H14

Mittwoch, 10-12 Uhr in H14

Start: Mittwoch, 13.4.2016

Modulbeschreibung

Detaillierte Modulbeschreibung siehe Modulhandbuch

Alle Angaben ohne Gewähr, es gelten ausschließlich die Angaben des Modulhandbuchs!

Einordnung des Moduls

    • M.Sc. Wirtschaftswissenschaften
    • M.Sc. Wirtschaftsmathematik
    • M.Sc. Wirtschaftschemie
    • M.Sc. Wirtschaftsphysik
    • Studiengänge mit Nebenfach Wirtschaftswissenschaften

      Lehr- und Lernform

      Vorlesung (2 SWS) und Übung (2 SWS)

      Turnus

        Jedes Sommersemester