Business-Analytics-Seminar (Master)

Das Seminar Business Analytics wird von Prof. Seiter angeboten und richtet sich an Masterstudierende. Die Themen können in Absprache auch doppelt vergeben werden.

Die Seminarplätze werden ausschließlich über die neue web-basierte zentrale Seminarplatzvergabe des Fachbereichs Wirtschaftswissenschaften vergeben:
http://econ.mathematik.uni-ulm.de:3838/semapps/stud_de/

Unter diesem Link können Sie dann vom 24.06.2017 bis 01.07.2017 Ihre Präferenzen über alle angebotenen Seminare für das Sommersemester 2017 eintragen. Sie erfahren danach auf jener Webseite, in welchem Seminar Sie einen Platz erhalten haben.

Thema 1: Nutzung der Parkraumdaten der Deutschen Bahn

Ziel dieser Arbeit ist es, einen Teil des Open-Data Angebots der Deutschen Bahn für Analysen nutzbar zu machen und ihn auszuwerten. Dazu zählen insbesondere die Entwicklung eines Vorgehens und die technische Umsetzung (mit KNIME und/oder R) zur Sammlung der als Echtzeitdaten zur Verfügung gestellten Informationen. Darauf aufbauend sollen mit Hilfe einer Clusteranalyse Muster identifiziert werden.

http://opendata.dbbahnpark.info/api/beta/stations

opendata.dbbahnpark.info/api/beta/sites

Thema 2: Visualisierung zentraler Nutzer auf Basis von Twitter-Daten

Ziel dieser Arbeit ist es mit Hilfe der Twitter Programmierschnittstelle einen relevantes Thema zu identifizieren und dazu die von der API (application programming interface) zur Verfügung gestellten Daten zu sammeln. Darauf aufbauend sollen Meinungsführer identifiziert mit Hilfe des Geocodes die relevanten Netzwerknutzer auf einer Karte dargestellt werden.

https://cran.r-project.org/web/packages/twitteR/twitteR.pdf

Thema 3: Yelp-Daten und saisonale Trends

Im Rahmen dieser Arbeit sollen die für die kanadische Metropole Montreal zur Verfügung stehenden Yelp Daten für eine Analyse über saisonale Trends herangezogen werden. Es soll untersucht werden, ob es saisonale Trends bzw. Bewertungsmuster gibt.

https://www.yelp.com/dataset_challenge

Thema 4: Unterstützung von Standortentscheidungen durch Geodaten

Ziel dieser Arbeit ist es, Geodaten für Standortentscheidungen nutzbar zu machen. Auf Basis von Standortdaten soll eine geeignete Visualisierung für die Gastronomie in Lower Manhattan erstellt und lohnenswerte White Spots aufgedeckt werden. Diese Arbeit baut auf einer Seminararbeit aus dem vergangenen Semester auf und soll deren Analyse um weitere Attribute erweitern (z.B. Kriminalitätsstatistiken, U-Bahn-Stationen etc.)

https://data.cityofnewyork.us/Business/Lower-Manhattan-Retailers/cw88-qpsr

Thema 5: Text Mining auf Basis von Social Media Daten

In dieser Arbeit soll die Frage untersucht werden, ob zwischen der Verbesserung der Wahrnehmung von Unternehmen in sozialen Netzwerken und dem Unternehmenswert ein Zusammenhang besteht. Dazu soll eine Sentimentanalyse auf Basis von Twitter-Daten durchgeführt und mit dem Verlauf des Aktienkurses verknüpft werden.

https://www.r-bloggers.com/twitter-sentiment-analysis-with-r/

Thema 6: Topic Modelling mit Latent Dirichlet allocation (LDA)

In dieser Arbeit soll die Frage untersucht werden, wie relevante Themen in sozialen Netzwerken identifiziert werden können. Dazu sollen unterschiedliche Algorithmen zunächst voneinander abgegrenzt und der Fokus auf Latent Dirichlet Allocation gesetzt werden. Anschließend soll LDA anhand von aktuellen Twitter-Daten demonstriert werden.

http://tweettracker.fulton.asu.edu/tda/TwitterDataAnalytics.pdf

Thema 7: Visualisierung im Kontext von Business Analytics: Descriptive Analytics

Ziel der Arbeit ist die Vorstellung verschiedener Darstellungsformen deskriptiver Analytics-Algorithmen im Rahmen unternehmerischer Problemlösungs- und Entscheidungsprozesse.

Vor diesem Hintergrund soll zunächst eine Einordnung von Business Analytics in die Entscheidungsprozesse von Unternehmen erfolgen. Im nächsten Schritt soll ein kurzer Überblick der verschiedenen deskriptiven Analyse-Algorithmen erstellt werden. Im Anschluss werden drei Visulisierungsmethoden für Descriptive Analytics-Algorithmen im Detail erläutert und diskutiert. Dabei soll vor allen Dingen auf den Einfluss verschiedener Farben sowie Texturen und deren Wirkung bei der Darstellung eingegangen werden.

Einführende Literatur:

  • Schumann, H., Müller, W., Visualisierung - Grundlagen und allgemeine Methoden, Berlin und Heidelberg 2000.
  • Kohlhammer, J., Proff, D. U., Wiener, A., Visual Business Analytics - Effektiver Zugang zu Daten und Informationen, Heidelberg 2013.

Thema 8: Visualisierung im Kontext von Business Analytics: Predictive Analytics

Ziel der Arbeit ist die Vorstellung verschiedener Darstellungsformen prädiktiver, vor allen Dingen hierarchischer Analytics-Algorithmen im Rahmen unternehmerischer Problemlösungs- und Entscheidungsprozesse.

Zunächst soll eine Einordnung von Business Analytics in die Entscheidungsprozesse von Unternehmen erfolgen. Im nächsten Schritt soll ein kurzer Überblick der verschiedenen prädiktiven Analyse-Algorithmen erstellt werden. Im Anschluss werden Visulisierungsmethoden für Predictive Analytics-Algorithmen im Detail erläutert und diskutiert. Den Schwerpunkt bilden hierbei hierarchische Darstellungsformen wie Entscheidungsbäume oder Treemaps.

Einführende Literatur:

  • Schumann, H., Müller, W., Visualisierung - Grundlagen und allgemeine Methoden, Berlin und Heidelberg 2000.
  • Kohlhammer, J., Proff, D. U., Wiener, A., Visual Business Analytics - Effektiver Zugang zu Daten und Informationen, Heidelberg 2013.

Thema 9: Organisationelle Aspekte von Business Analytics

In einem ersten Schritt soll Business Analytics als Prozess beschrieben sowie Anforderungen an die Umsetzung und den Betrieb dargelegt werden. Im Anschluss werden verschiedene aufbauorganisatorische Modelle vorgestellt und erläutert.

Darauf aufbauend sollen geeignete Organisationsmodelle zur Einbindung von  Business Analytics identifiziert und diskutiert werden. Ziel der Arbeit ist schlussendlich die Entwicklung eines Rahmens, der geeignete aufbauorganisatorische Modelle für Business Analytics und deren Einflussfaktoren darstellt.

Einführende Literatur:

  • Picot, A., Dietl, H., Franck, E., Organisation, 3. Auflage, Stuttgart 2002.
  • Ebers, M., Organisationsmodelle für Innovation, in: Zeitschrift für betriebswirtschaftliche Forschung 2016.

Thema 10: Operational Analytics 1 – Analytics Werkzeuge (Hadoop)

Ziel der Arbeit ist Beschreibung eines Teilprozesses bzw. eines Ansatzes zur strukturierten betrieblichen Realisierung von Operational Analytics. Eine zentrale Herausforderung ist die Auswahl der richtigen Analysewerkzeuge- und Technologien. Zu diesen Technologien gehören beispielsweise Nonrelational-Plattformen wie Hadoop, Discovery-Plattformen, die sowohl relationale als auch nicht-relationale Daten und Prozesse verarbeiten können oder auch In-Memory-Analytics. Damit die betriebliche Realisierung von Operational Analytics erfolgreich ist, ist es notwendig, die richtigen Analysewerkzeuge für die entsprechenden Anwendungen auszuwählen. Hierzu soll die Arbeit zunächst detailliert in die Nonrelational-Plattform Hadoop einführen. Die Funktionsweise und mögliche Anwendungen sollen aufgezeigt werden. Weitere Technologien im Rahmen von Operational Analytics sollen gegenüber Hadoop abgegrenzt werden (Discovery- und Relational-Plattformen). Abschließend sollen Möglichkeiten der praktischen Anwendung dieser Plattformen aufgezeigt werden.

Einführende Literatur:

  • Franks, B., The analytics revolution: how to improve your business by making analytics operational in the big data era, Hoboken und New Jersey 2014.
  •  Landset, S., Khoshgoftaar, T. M., Richter, A. N., Hasanin, T., A survey of open source tools for machine learning with big data in the Hadoop ecosystem, In: Journal of Big Data (2015) 2:24.

Thema 11: Operational Analytics 2 – Anforderung an das Personal und die Aufbauorganisation

Ziel der Arbeit ist Beschreibung eines Teilprozesses bzw. eines Ansatzes zur strukturierten betrieblichen Realisierung von Operational Analytics. Wenn ein Unternehmen Operational Analytics zur Wertgenerierung realisieren möchte, benötigt es nicht nur das passende Personal, sondern auch eine geeignete Organisation, damit das Personal effektiv arbeiten kann. Die betriebliche Realisierung von Operational Analytics macht demnach Änderungen an aktuellen Organisationsstrukturen notwendig. Zunächst soll die Arbeit aufzeigen, welches Personal zur Realisierung von Operational Analytics notwendig ist und wie dieses sinnvoll zusammengestellt werden sollte. Hierzu sollen Kriterien und Charakteristiken herausgearbeitet werden, die das Personal erfüllen muss. Darauf aufbauend sollen Herausforderungen und Empfehlungen für den Aufbau einer geeigneten Organisationsstruktur und den Aufbau von Analytics Teams gegeben werden. Hierzu sollte insbesondere auf die Möglichkeiten der Weiterentwicklung von traditionellen Organisationsformen hin zu hybriden Organisationen und auf Mitarbeiterrollen innerhalb dieser Organisationsformen (z.B. Chief Analytics Officer, Chief Data Officer) eingegangen werden.

Einführende Literatur:

  • Franks, B., The analytics revolution : how to improve your business by making analytics operational in the big data era, Hoboken und New Jersey 2014.
  • Schön, D., Planung und Reporting: Grundlagen, Business Intelligence, Mobile BI und Big-Data-Analytics, Wiesbaden 2016.

Thema 12: Sports Analytics im Fußballsport

Wurden bis vor kurzem nur Tore, Vorlagen und Zweikampfquote während eines Fußballspiels als relevante Größen definiert, werden inzwischen unzählige Daten gemessen. Mit diesen erhobenen Daten wird im Trainingsbetrieb gearbeitet, um sowohl die eigenen Stärken und Schwächen als auch den Gegner analysieren zu können. Die Daten sind folglich nicht mehr nur für die Einschätzung der fußballerischen Qualität einzelner Spieler (Torschützenkönig, bester Vorlagengeber, etc.) relevant, sondern insbesondere für die Analyse und Optimierung der eigenen Spielanlage abhängig von der gegnerischen Mannschaft. Gleichzeitig können aus den Daten Schlüsse gezogen werden, was die Haupttreiber für eine erfolgreiche Leistung sind.

Ziel der Arbeit ist ein umfassender Überblick über die Anwendung von Sports Analytics im Fußballsport. Zunächst gilt es, sämtliche relevanten und möglichen Größen darzustellen, die während eines Fußballspiels erhoben werden können. Anschließend soll die Arbeit konkrete Nutzungspotenziale aufzeigen, die sich aus den erhobenen Daten ergeben können (z.B. Prädiktoren für Siege: Ballbesitz vs. Packing Ratio). Für eines der Nutzungspotenziale soll eine Algorithmusklasse aus dem Bereich Descriptive Analytics herangezogen werden (z.B. Clusteranalyse, Assoziationsanalyse, Ausreißeranalyse, etc.), um eine beispielhafte Anwendung aufzuzeigen.

Einführende Literatur:

  • Brooks, J., Kerr, M., Guttag, J., Developing a Data-Driven Player Ranking in Soccer Using Predictive Model Weights, In: KDD '16 Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, S. 49-55, 2016.
  • Stein, M., Janetzko, H., Seebacher, D., Jäger, A., Nagel, M., Hölsch, J., Kosub, S., Schreck, T., Keim, D. A., Grossniklaus, M., How to Make Sense of Team Sport Data: From Acquisition to Data Modeling and Research Aspects, bib.dbvis.de/uploadedFiles/data0200002.pdf