School of Advanced Professional Studies

Themenvorschläge für Projektarbeiten

Modul "Grundlagen Business 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.

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.

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.

Zunächst wird dargestellt, welche Bedeutung der Einsatz von spezifischer Business Analytics-Software für die Analyse und Bewertung großer Datenmengen einnimmt. Vor diesem Hintergrund wird ermittelt, welche Kriterien für den Einsatz von Business Analytics-Software entscheidend sind und welchen Einfluss diese Kriterien aufweisen.
Ziel der Arbeit ist dementsprechend die Ausarbeitung eines Kriterienkatalogs, für den Einsatz von Business Analytics-Softwarelösungen. Der erarbeitete Kriterienkatalog wird anschließend durch Experteninterviews validiert. Im abschließenden Teil der Arbeit erfolgt mithilfe des Katalogs ein Vergleich verschiedener Analytics-Softwarelösungen.

Einführende Literatur:

  • Chen, H., Chiang, R., Storey, V., Business Intelligence and Analytics: From Big Data to Big Impact in: MIS quarterly, 36 (2012) 4, S. 1165-1188.
  • Herschel, G., Linden, A., Kart, L,. Magic Quadrant for Advanced Analytics Platforms, Gartner Inc., 2014.

Der Begriff „Operational Analytics“ beschreibt eine Situation, in der Analytics ein zentraler Bestandteil in der betrieblichen Entscheidungsfindung von Unternehmen geworden ist. Operational Analytics unterstützen dabei weniger strategische Entscheidungen mit langfristiger Wirkung als vielmehr die täglich zu treffenden Entscheidungen im Rahmen des operativen Tagesgeschäfts. Die betriebliche Realisierung von Operational Analytics erfordert einen strukturierten und organisierten Ansatz in einem Unternehmen sowie einen technologischen, prozessualen- und kulturellen Wandel.

Ziel der Arbeit ist Beschreibung eines Teilprozesses bzw. eines Ansatzes zur strukturierten betrieblichen Realisierung von Operational Analytics. Wenn sich Unternehmen hinsichtlich Operational Analytics weiter entwickeln möchten, sind verschiedene Investitionen erforderlich. Zu diesen Investitionen gehören z.B. Personen, Tools und Technologien. Entscheidend in der Realisierung von Operational Analytics ist zunächst der Aufbau eines Business Cases, um die entsprechenden Investitionen planen und bewerten zu können. Die Arbeit soll Konzepte und Rahmenbedingungen vorstellen, um die Erstellung eines Business Case für die Realisierung von Operational Analytics zu unterstützen. Hierzu müssen zunächst Kriterien definiert werden, die die Treiber der Realisierung von Operational Analytics darstellen, z.B. Time-to-Insight. Anschließend soll ein Framework zur Operationalisierung der Kosten – total cost of data – im Rahmen der Realisierung von Operational Analytics hergeleitet 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.
  • Simon, P., Too big to ignore: the business case for big data, Hoboken und New Jersey 2013.

Der Begriff „Operational Analytics“ beschreibt eine Situation, in der Analytics ein zentraler Bestandteil in der betrieblichen Entscheidungsfindung von Unternehmen geworden ist. Operational Analytics unterstützen dabei weniger strategische Entscheidungen mit langfristiger Wirkung als vielmehr die täglich zu treffenden Entscheidungen im Rahmen des operativen Tagesgeschäfts. Die betriebliche Realisierung von Operational Analytics erfordert einen strukturierten und organisierten Ansatz in einem Unternehmen sowie einen technologischen, prozessualen- und kulturellen Wandel.

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.

Der Begriff „Operational Analytics“ beschreibt eine Situation, in der Analytics ein zentraler Bestandteil in der betrieblichen Entscheidungsfindung von Unternehmen geworden ist. Operational Analytics unterstützen dabei weniger strategische Entscheidungen mit langfristiger Wirkung als vielmehr die täglich zu treffenden Entscheidungen im Rahmen des operativen Tagesgeschäfts. Die betriebliche Realisierung von Operational Analytics erfordert einen strukturierten und organisierten Ansatz in einem Unternehmen sowie einen technologischen, prozessualen- und kulturellen Wandel.

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.

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:

Modul "Social Media Analytics"

Über soziale Medien, wie bspw. Online Social Networks, Microblogs, Wikis, Bewertungs-Communities sowie Diskussionsforen, stehen Unternehmen heutzutage enorme Mengen an unstrukturierten Daten zur Verfügung (z. B. Facebook-Posts). Die zielgerichtete und fundierte Analyse dieser Daten ermöglicht es Unternehmen, die "Voice of the Customer" zu analysieren und so tiefere Einblicke dahingehend zu erlangen, was Kunden denken und wünschen (z. B. hinsichtlich der angebotenen Produkte und Dienstleistungen). Die Sentimentanalyse im Speziellen zielt dabei u. a. darauf ab, auf Basis von Texten in Social Media automatisiert ein Stimmungsbild der (potenziellen) Kunden zu erhalten (z. B. ist die grundsätzliche Haltung zum Unternehmen oder dessen Leistungen positiv oder negativ?). Ein beispielhaftes Tool, das Methoden zur Durchführung von Sentimentanalysen bietet, ist R.
Im Rahmen der Projektarbeit soll neben einem kurzen Überblick über die wichtigsten Methoden zur Sentimentanalyse in der Literatur insbesondere analysiert und (kritisch) diskutiert werden, welche Möglichkeiten speziell die Software R (bzw. verfügbare R-Packages) bietet, um Sentimentanalysen zur Analyse der ?Voice of the Customer? durchzuführen. Die exemplarische praktische Anwendung ausgewählter Methoden anhand eines realen Datensatzes rundet die Arbeit ab.

Einführende Literatur:

  • Meyer, D.; Hornik, K. and Feinerer, I. (2008). "Text mining infrastructure in R." Journal of Statistical Software 25 (5), 1-54.
  • Medhat, W.; Hassan, A. and Korashy, H. (2014). "Sentiment analysis algorithms and applications: A survey." Ain Shams Engineering Journal 5 (4), 1093-1113.

In der Physik gehört das Ising-Modell zu den meistuntersuchten Modellen bei der Beschreibung der Entstehung des Magnetismus. Interdisziplinäre Ansätze verbinden die Einsichten des Ising-Modells mit der Netzwerkforschung, um die Meinungsbildung innerhalb sozialer Netzwerke zu beschreiben. Diese Modelle mit zwei Zuständen (z. B. Trump-Supporter oder nicht) lassen sich zur Klasse der Boolschen Netzwerke zusammenfassen. Dazu gehören insbesondere das Sznajd-Modell, das Voter-Modell und die Bass-Diffusion. Ausgehend von einfachen Prinzipien bilden diese Modelle komplexe Dynamiken ab und ermöglichen so tiefe Einblicke in Meinungsbildungsprozesse.
Im Rahmen der Projektarbeit soll ein strukturierter Überblick über die genannten Modelle vor dem Hintergrund der Meinungsbildung in sozialen Netzwerken gegeben werden. Die exemplarische praktische Anwendung anhand eines realen Datensatzes und unter Verwendung eines Tools Ihrer Wahl rundet die Arbeit ab.

Einführende Literatur:

  • Bernardes, A. T.; Stauffer, D. and Kertész, J. (2002). "Election results and the Sznajd model on Barabasi network." The European Physical Journal B-Condensed Matter and Complex Systems 25 (1), 123-127.
  • Sood, V. and Redner, S. (2005). "Voter model on heterogeneous graphs." Physical Review Letters 94 (17), 178701.

Über soziale Medien stehen Unternehmen und Forschern heutzutage enorme Mengen an Daten zur Verfügung (z. B. Facebook-Posts und Likes). Nicht wenige Forscher und Unternehmen - gerade aus der Werbebranche - behaupten, anhand des digitalen Fußabdruckes einer Person - insbesondere der auf Facebook gelikten Seiten - intime Details wie etwa das Geschlecht, die sexuelle Orientierung oder die politische Gesinnung vorhersagen zu können. Der Forschungsansatz hinter derartigen Analysen lautet "Psychometrie". Mit ihrer Hilfe versuchen Politiker Wahlen zu beeinflussen und Unternehmen ihre Produkte besser abzusetzen, indem besonders interessante Wähler- bzw. Kundengruppen in sozialen Netzwerken identifiziert und gezielt angesprochen werden.
Im Rahmen der Projektarbeit soll ein strukturierter Überblick über die wichtigsten Methoden aus der Literatur gegeben werden, um derartige Prognosen zu ermöglichen. Ein (kritischer) Vergleich der Methoden und eine Einschätzung zu praktischen Möglichkeiten sowie die praktische Anwendung anhand eines realen Datensatzes unter Verwendung eines Tools Ihrer Wahl runden die Arbeit ab.

Einführende Literatur:

  • Kosinski, M.; Stillwell, D. and Graepel, T. (2013). "Private traits and attributes are predictable from digital records of human behavior." In: Proceedings of the National Academy of Sciences 110 (15), pp. 5802-5805.
  • Golbeck, J.; Robles, C.; Edmondson, M. and Turner, K. (2011). "Predicting personality from twitter." In: Proceedings of the IEEE International Conference on Privacy, Security, Risk and Trust and of the 3rd IEEE International Conference on Social Computing. pp. 149-156.

Modul "Angewandte Operations Research"

Sie haben im Laufe des Moduls Angewandtes Operations Research eine Vielzahl verschiedener Optimierungsprobleme kennengelernt, diese typischerweise mit Hilfe von MILPs mathematisch formuliert und schließlich auch verschiedene algorithmische Methoden gesehen, solche Probleme zu lösen. Im Rahmen der Projektarbeit sollen Sie nun ein konkretes Problem aus Ihrer beruflichen Praxis auf diese Weise behandeln. Identifizieren Sie dazu eine konkrete Fragestellung, bei der Sie Optimierungspotential erkennen und die mit Hilfe der Ihnen durch AOR bekannten Methoden anzugehen ist. Ihre Aufgabe besteht in der (zunächst sprachlichen) Beschreibung des Problems, der Festlegung einer oder mehrerer Optimierungsziele (Zielfunktionen) sowie der Charakterisierung der relevanten Nebenbedingungen. Ausgehend von dieser Beschreibung sollen Sie dann Ihr Problem mathematisch formulieren wobei Sie durchaus verschiedene alternative Formulierungen betrachten und diskutieren können. Es wäre gut, wenn Sie Zugang zu konkreten Daten hätten, um mit diesen auf Basis Ihrer mathematischen Formulierung tatsächlich zu konkreten Lösungen zu gelangen. Sollten die Daten sensibel sein, können Sie diese im Rahmen der Ausarbeitung entsprechend verfälschen.

Modul "Strategisches Prozessmanagement"

Eine wesentliche Phase des strategischen Managementprozesses stellt die quantitative Bewertung der möglichen Optionen dar. Anhand eines konkreten Anwendungsfalls sollen im Rahmen dieser Arbeit verschiedene quantitative Methoden verglichen werden, die für eine Beurteilung von Optionen geeignet sind.

Vorschlag: Im Rahmen der Arbeit wird der Customer Life Time Value als zentrale Kenngröße betrachtet. Dazu wird anhand der CLV eines konkreten Anwendungsfalles berechnet. Abschließend soll eine Beurteilung erfolgen, ob der CLV tatsächlich das geeignete Maß ist, oder ob es bessere bzw. alternative Möglichkeiten vorhanden sind.

Vorschlag: Im Rahmen der Arbeit sollen zunächst verschiedene Algorithmen oder Verfahren betrachtet werden, die eine Identifikation von Technologiefeldern grundsätzlich ermöglichen. Im folgenden Schritt soll die Anwendung von geeigneten Verfahren an einem konkreten Praxisfall durchgeführt werden.

zurück zur Modulseite