Seminar Business Analytics (Bachelor)

Übersichtsgraphik: Ablauf Business Analytics Proess from Framing bis zur Preparation

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

Themen

Subscription Geschäftsmodelle erlauben durch die Analyse von Nutzungsdaten ein besseres Verständnis der Kundenbedürfnisse und eine kontinuierliche Verbesserung des Produkts. Sie können als Weiterentwicklung klassischer Abonnementmodelle betrachtet werden und sind derzeit vor allem im B2C-Bereich zu finden. Bekannte Beispiele sind Spotify und Netflix. Auch in der produzierenden Industrie werden Subscription Geschäftsmodelle immer wichtiger. Die Maschine bleibt im Eigentum des Anbieters, stattdessen zahlen die Kunden kontinuierlich für die Nutzung anhand verschiedener Zeit- oder Leistungsgrößen („Pay-per-X“). Ziel der Arbeit ist die Durchführung einer Marktanalyse zur systematischen Darstellung der etablierten Ausprägungen von Pay-per-X in der produzierenden Industrie.

Einführende Literatur:

  • Stojkovski, I., Achleitner, A.-K., Lange, T. (2021): Equipment as a Service – The Transition Towards Usage-Based Business Models, SSRN, S. 1-44.
  • Schuh, G., Wenger, L., Stich, V., Hicking, J., Gailus, J. (2020): Outcome Economy – Subscription Business Models in Machinery and Plant Engineering, in: Procedia CIRP 93(1), S. 599-604.
  • Seiter, M., Grünert, L., Kenner, K. (2021): Subscription Models – Merkmale, Praxisbeispiele und Auswirkungen auf die Unternehmensteuerung, in: Schmalenbach IMPULSE (1), S. 1-17.
  • Roth, S., Stoppel, E. (2014): Preissysteme zur Gestaltung und Aufteilung des Service Value, in: Bruhn, M., Hadwich, K. (Hrsg.): Service Value als Werttreiber, Wiesbaden, S. 183-204.
     

Subscription Geschäftsmodelle erlauben durch die Analyse von Nutzungsdaten ein besseres Verständnis der Kundenbedürfnisse und eine kontinuierliche Verbesserung des Produkts. Sie können als Weiterentwicklung klassischer Abonnementmodelle betrachtet werden und sind derzeit vor allem im B2C-Bereich zu finden. Bekannte Beispiele sind Spotify und Netflix. Auch in der produzierenden Industrie werden Subscription Geschäftsmodelle immer wichtiger. Neben der Maschine an sich werden in der Regel weitere Leistungen in der Subscription gebündelt, bspw. verschiedene Smart Services oder Versicherungsleistungen. Ziel der Arbeit ist die Durchführung einer Marktanalyse zur systematischen Darstellung der etablierten Leistungsbündel in der produzierenden Industrie.

Einführende Literatur:

  • Stojkovski, I., Achleitner, A.-K., Lange, T. (2021): Equipment as a Service – The Transition Towards Usage-Based Business Models, SSRN, S. 1-44.
  • Schuh, G., Wenger, L., Stich, V., Hicking, J., Gailus, J. (2020): Outcome Economy – Subscription Business Models in Machinery and Plant Engineering, in: Procedia CIRP 93(1), S. 599-604.
  • Seiter, M., Grünert, L., Kenner, K. (2021): Subscription Models – Merkmale, Praxisbeispiele und Auswirkungen auf die Unternehmensteuerung, in: Schmalenbach IMPULSE (1), S. 1-17.
  • Roth, S., Stoppel, E. (2014): Preissysteme zur Gestaltung und Aufteilung des Service Value, in: Bruhn, M., Hadwich, K. (Hrsg.): Service Value als Werttreiber, Wiesbaden, S. 183-204.

Subscription Geschäftsmodelle erlauben durch die Analyse von Nutzungsdaten ein besseres Verständnis der Kundenbedürfnisse und eine kontinuierliche Verbesserung des Produkts. Sie können als Weiterentwicklung klassischer Abonnementmodelle betrachtet werden und sind derzeit vor allem im B2C-Bereich zu finden. Bekannte Beispiele sind Spotify und Netflix. Auch in der produzierenden Industrie werden Subscription Geschäftsmodelle immer wichtiger. Die Maschine bleibt im Eigentum des Anbieters, sodass dieser Zugriff auf eine große Menge an Maschinendaten aus dem produktiven Einsatz bei den Kunden erhält und daraus Optimierungen ableiten kann. Mithilfe von Predictive Maintenance kann bspw. die Lebensdauer der Maschinen verlängert und gleichzeitig Wartungsaufwände reduziert werden. Somit bieten Subscription Geschäftsmodelle Unternehmen die Möglichkeit, neben ihrer ökonomischen auch ihre Nachhaltigkeitsperformance zu verbessern. Ziel der Arbeit ist es, zu analysieren, wie Unternehmen ihre Nachhaltigkeitsperformance durch Subscription Geschäftsmodelle verbessern können.

Einführende Literatur:

  • Corrêa, H. L. (2018): Servitization meets Sustainability. In: Future Studies Research Journal: Trends and Strategies 10 (2), S. 358–364.
  • González Chávez, C. A.; Holgado, M.; Rönnbäck, A. Ö.; Despeisse, M.; Johansson, B. (2021): Towards sustainable servitization: A literature review of methods and frameworks. In: Procedia CIRP 104, S. 283–288.
  • Schuh, G., Wenger, L., Stich, V., Hicking, J., Gailus, J. (2020): Outcome Economy – Subscription Business Models in Machinery and Plant Engineering, in: Procedia CIRP 93(1), S. 599-604.
  • Stojkovski, I., Achleitner, A.-K., Lange, T. (2021): Equipment as a Service – The Transition Towards Usage-Based Business Models. In: SSRN, S. 1-44.
  • Szász, L.; Seer, L. (2018): Towards an operations strategy model of servitization: the role of sustainability pressure. In: Operations Management Research 11 (1-2), S. 51–66.

Durch die Fortschritte im Bereich der künstlichen Intelligenz, und insbesondere von Large-Language-Modellen (LLM), ergeben sich für die Gesellschaft sowie für Unternehmen grundlegende Veränderungen. LLM sind künstliche neuronale Netze und können die natürliche Sprache aufnehmen und verarbeiten sowie Antworten generieren. Beispielsweise verfassen sie menschlich klingende Texte oder beantworten Fragen. Inzwischen verfügen diese Modelle über eine hohe Qualität. Ein sogenannter Prompt ist eine Anweisung, die einem LLM übergeben wird. Für den effektiven Umgang mit LLM kommt daher der Gestaltung der Prompts eine entscheidende Bedeutung zu.  Ziel der Arbeit ist es, am Beispiel von ChatGPT aufzuzeigen, wie sich die unterschiedliche Gestaltung von Prompts auf den Output auswirkt und dies mit konkreten Anwendungsbeispielen zu veranschaulichen.

Einführende Literatur:

  • Sorensen et al. (2022): An information-theoretic approach to prompt engineering without ground truth labels. In: arXiv preprint.
  • White et al. (2023): A prompt pattern catalog to enhance prompt engineering with chatgpt. In: arXiv preprint.
  • Zhao et al. (2023): A survey of large language models. In: arXiv preprint.
  • Zhou et al. (2022): Large language models are human-level prompt engineers. In: arXiv preprint.

Die Einführung von ChatGPT durch das Unternehmen Open AI im November 2022 bedeutet nicht nur für die Gesellschaft, sondern auch für Unternehmen grundlegende Veränderungen. Mitarbeitende können nun Large-Language-Models (LLM) wie ChatGPT nutzen, um Prozesse zu automatisieren oder Aufgaben zu optimieren. Beispielsweise kann die Kommunikation mit Kundinnen und Kunden durch ChatGPT unterstützt oder vollständig übernommen werden. Bei Methoden der künstlichen Intelligenz und insbesondere von LLM wie ChatGPT ist jedoch zu beachten, dass ein grundlegendes Verständnis für den Einsatz von LLM in Unternehmen wenig verbreitet ist. Ziel der Arbeit ist es deshalb, Einsatzmöglichkeiten von LLM in Unternehmen am Beispiel von ChatGPT mithilfe von Best Practices aufzuzeigen.

Einführende Literatur:

  • Zhao et al. (2023): A survey of large language models. In: arXiv preprint.
  • Wu, T. et al. (2023): A brief overview of ChatGPT: The history, status quo and potential future development. In: IEEE/CAA Journal of Automatica Sinica, 10(5), 1122-1136.
  • Zhang, P. (2023): Taking Advice from ChatGPT. In: arXiv preprint.

Die Einführung von ChatGPT durch das Unternehmen Open AI im November 2022 bedeutet nicht nur für die Gesellschaft, sondern auch für Unternehmen grundlegende Veränderungen. Mitarbeitende können nun Large-Language-Models (LLM) wie ChatGPT nutzen, um Prozesse zu automatisieren und Aufgaben zu optimieren. Beim Einsatz von Methoden der künstlichen Intelligenz und insbesondere von LLM wie ChatGPT ist jedoch zu beachten, dass diese nicht von allen Mitarbeitenden akzeptiert werden. Tatsächlich belegen Studien, dass Menschen der Einschätzung anderer Menschen oder ihrer eigenen Erfahrung mehr vertrauen, sobald sie erkennen, dass ein Algorithmus nicht perfekt ist, obwohl dieser die besseren Ergebnisse erzielt. Dieses Phänomen wird auch als Algorithmenaversion bezeichnet. Ziel der Arbeit ist es, am Beispiel von ChatGPT aufzuzeigen, welche Faktoren die Ablehnung von ChatGPT beeinflussen können und welche Maßnahmen zur Überwindung der Algorithmenaversion implementiert werden können.

Einführende Literatur:

  • Zhao et al. (2023): A survey of large language models. In: arXiv preprint.
  • Wu, T. et al. (2023): A brief overview of ChatGPT: The history, status quo and potential future development. In: IEEE/CAA Journal of Automatica Sinica, 10(5), 1122-1136.
  • Zhang, P. (2023): Taking Advice from ChatGPT. In: arXiv preprint.

Bei der Klassifikationsanalyse werden Objekte verschiedenen Klassen und Kategorien zugeordnet. Die Zuordnungen geschehen durch Klasseneigenschaften und Objektmerkmale, die in den Datensätzen vorhanden sind. Dies soll mithilfe eines Decision Tree Learners durchgeführt werden. Dieser Ansatz wird in der Statistik, im Data Mining und im maschinellen Lernen verwendet, um von Beobachtungen über ein Element zu Schlussfolgerungen über den Zielwert des Elements zu gelangen. Hintergrund der Analyse ist der fiktive Hersteller für Bodenbeläge, die Bodenbelag GmbH. Das Unternehmen möchte neben A-Kunden auch solche fokussieren, die sich zukünftig zu A-Kunden entwickeln werden. Ziel der Arbeit ist es, durch eine Klassifikationsanalyse und einen Decision Tree Learner die Datensätze auszuwerten und Prognosen für zukünftige A-Kunden zu erstellen.
Im Rahmen der Seminararbeit sollen die jeweils verwendeten Verfahren kurz erläutert und anschließend der Fokus auf die selbstständige Anwendung gelegt werden. Dazu wird den Studierenden ein Datensatz zur Verfügung gestellt. Die gewonnenen statistischen Evidenzen sollen darüber hinaus interpretiert und darauf aufbauend mögliche Handlungsempfehlungen gegeben werden. Die Analysen sollen mit der freien Statistiksoftware R durchgeführt werden. Alternativ kann auch die Software KNIME verwendet werden.

Einführende Literatur:

  • Backhaus, K., Erichson, B., & Weiber, R. (2015). Fortgeschrittene multivariate Analysemethoden: eine anwendungsorientierte Einführung. Springer-Verlag.
  • Seiter, M. (2019). Business Analytics: wie Sie Daten für die Steuerung von Unternehmen nutzen. 2. Auflage. Vahlen.
  • Kazakov, D., Erten, C. (2020): Inductive Logic Programming. Springer-Verlag.
  • Maimon, O., Rokach, L. (2014): Data Mining With Decision Trees: Theory And Applications. World Scientific.

Clusteranalysen zielen darauf ab, Ähnlichkeiten in Datensätzen aufzudecken und einzelne Datenpunkte Gruppen zuzuordnen, die eine möglichst hohe interne Homogenität aufweisen. Hintergrund für die Analyse bildet der fiktive Hersteller von Produktionsmaschinen Bauche GmbH. Dabei sind für das Unternehmen Avantgardekunden von besonderem Interesse. Das heißt solche, die eine Vorreiterrolle einnehmen und sich damit vom restlichen Kundenfeld durch eine Besonderheit abheben. Ziel der Arbeit ist es, durch eine Clusteranalyse die Avantgardekunden der Bauche GmbH zu identifizieren, um einen tieferen Einblick in das Kundenfeld und in zukünftige Entwicklungen zu erhalten.
Im Rahmen der Seminararbeit sollen die jeweils verwendeten Verfahren kurz erläutert und anschließend der Fokus auf die selbstständige Anwendung gelegt werden. Dazu wird den Studierenden ein Datensatz zur Verfügung gestellt. Die gewonnenen statistischen Evidenzen sollen darüber hinaus interpretiert und darauf aufbauend mögliche Handlungsempfehlungen gegeben werden. Die Analysen sollen mit der freien Statistiksoftware R durchgeführt werden. Alternativ kann auch die Software KNIME verwendet werden.

Einführende Literatur:

  • Backhaus, K., Erichson, B., & Weiber, R. (2015). Fortgeschrittene multivariate Analysemethoden: eine anwendungsorientierte Einführung. Springer-Verlag.
  • Seiter, M. (2019). Business Analytics: wie Sie Daten für die Steuerung von Unternehmen nutzen. 2. Auflage. Vahlen.

Einflussfaktoranalysen werden verwendet, um auf Basis historischer Daten die Einflüsse für bestimmte Zustände zu ermitteln und diese in Zukunft zu verändern. Das soll mithilfe eines Decision Tree Learners durchgeführt werden. Dieser Ansatz wird in der Statistik, im Data Mining und im maschinellen Lernen verwendet, um von Beobachtungen über ein Element zu Schlussfolgerungen über den Zielwert des Elements zu gelangen. Hintergrund für die Analyse bietet der fiktive Maschinenbauer Bauche GmbH, der den Kundenservice für die verkauften Maschinen überprüfen möchte. Das Zufriedenheitsniveau der Kunden soll auf ein branchenübliches Niveau angehoben werden. Um Fehlinvestitionen zu vermeiden, möchte Bauche genauer untersuchen, wo geeignete Hebel zur Steigerung der Zufriedenheit liegen. Ziel der Arbeit ist es, durch die Analyse der Einflussfaktoren und eines Entscheidungsbaums herauszufinden, welche Faktoren für die schlechte Kundenzufriedenheit verantwortlich sind und wie diese in Zukunft verbessert werden kann.
Im Rahmen der Seminararbeit sollen die jeweils verwendeten Verfahren kurz erläutert und anschließend der Fokus auf die selbstständige Anwendung gelegt werden. Dazu wird den Studierenden ein Datensatz zur Verfügung gestellt. Die gewonnenen statistischen Evidenzen sollen darüber hinaus interpretiert und darauf aufbauend mögliche Handlungsempfehlungen gegeben werden. Die Analysen sollen mit der freien Statistiksoftware R durchgeführt werden. Alternativ kann auch die Software KNIME verwendet werden.

Einführende Literatur:

  • Backhaus, K., Erichson, B., & Weiber, R. (2015). Fortgeschrittene multivariate Analysemethoden: eine anwendungsorientierte Einführung. Springer-Verlag. 
  • Wen, S., Zomaya, A., Yang, L. (2019): Algorithms and architectures for parallel processing. Springer-Verlag.
  • Romeike, F., Hager, P. (2020): Erfolgsfaktor Risiko-Management 4.0: Methoden, Beispiele, Checklisten Praxishandbuch für Industrie und Handel. Springer-Verlag.
  • Kazakov, D., Erten, C. (2020): Inductive Logic Programming. Springer-Verlag.
  • Seiter, M. (2019): Business Analytics: wie Sie Daten für die Steuerung von Unternehmen nutzen. 2. Auflage. Vahlen.
  • Maimon, O., Rokach, L. (2014): Data Mining With Decision Trees: Theory And Applications. World Scientific.

Unter Predictive Maintenance bzw. vorausschauender Wartung versteht man die Bestimmung und Prognose des Zustands von Ausstattung, wie beispielsweise dem Zustand eines Zahnrads in einer Produktionsmaschine. Mit Hilfe von Predictive Maintenance kann prognostiziert werden, wann ein Teil erneuert werden muss. Dadurch können Ersatzteile rechtzeitig geliefert werden, um Stillstandszeiten zu minimieren. Hintergrund der Analyse bildet der fiktive Automobilzulieferer Maier GmbH, der die Stillstandszeiten in der Produktion aufgrund von fehlenden Ersatzteilen verringern möchte. Der Techniker vermutet, dass die Überschreitung einer bestimmten Temperaturschwelle mit den Fehlern zusammenhängt. Ziel der Arbeit ist es, durch eine Predictive Maintenance Analyse herauszufinden, wann ein Teil erneuert werden muss. Im Beispiel wird der Zustand einer Maschine untersucht, bei der in der Vergangenheit die Temperatur aufgezeichnet wurde. In den Log-Files treten zwei Fehler auf, die Maier nun gesondert untersuchen möchte. Es wird versucht, die Ursache der Fehler zu untersuchen. Die Herangehensweise ist sehr spezifisch, folgt keinem bekannten Algorithmus und kann daher auch nicht verallgemeinert werden. 
Im Rahmen der Seminararbeit sollen die jeweils verwendeten Verfahren kurz erläutert und anschließend der Fokus auf die selbstständige Anwendung gelegt werden. Dazu wird den Studierenden ein Datensatz zur Verfügung gestellt. Die gewonnenen statistischen Evidenzen sollen darüber hinaus interpretiert und darauf aufbauend mögliche Handlungsempfehlungen gegeben werden. Die Analysen sollen mit der freien Statistiksoftware R durchgeführt werden. Alternativ kann auch die Software KNIME verwendet werden.

Einführende Literatur:

  • Backhaus, K., Erichson, B., & Weiber, R. (2015). Fortgeschrittene multivariate Analysemethoden: eine anwendungsorientierte Einführung. Springer-Verlag.
  • Niggemann, O., Maier, A., Beyerer, J. (2021): Machine Learning for Cyber Physical Systems. Springer-Verlag.
  • Seiter, M. (2019): Business Analytics: wie Sie Daten für die Steuerung von Unternehmen nutzen. 2. Auflage. Vahlen.
  • Tauterat, T. (2018): Verfahren zur Bewertung von Predictive Maintenance für Anbieter von Instandhaltungsdienstleistungen. Dissertation.

Eine Churn Analyse oder auch Abwanderungsanalyse beschreibt die Analyse des Kundenverhaltens in Bezug auf Kundenabwanderung, Abwanderungsgründe sowie die Ermittlung von Verbesserungspotentialen mit dem Ziel die Kundenbindung zu erhöhen. Die Churn Analyse kann mit Hilfe von neuronalen Netzwerken durchgeführt werden. Hintergrund für die Analyse bietet das fiktive Unternehmen Maier Versicherungen, das einen Kundenrückgang verzeichnet und deshalb die Kundenbindung erhöhen möchte. Um gezielte Maßnahmen einsetzen zu können, soll zunächst untersucht werden, welche Kunden wechselwillig sind. Ziel der Arbeit ist, anhand einer Churn-Analyse und neuralen Netzwerken die wechselwilligen Kunden zu identifizieren, um die Kundenbindung des Unternehmens gezielt steuern zu können.
Im Rahmen der Seminararbeit sollen die jeweils verwendeten Verfahren kurz erläutert und anschließend der Fokus auf die selbstständige Anwendung gelegt werden. Dazu wird den Studierenden ein Datensatz zur Verfügung gestellt. Die gewonnenen statistischen Evidenzen sollen darüber hinaus interpretiert und darauf aufbauend mögliche Handlungsempfehlungen gegeben werden. Die Analysen sollen mit der freien Statistiksoftware R durchgeführt werden. Alternativ kann auch die Software KNIME verwendet werden.

Einführende Literatur:

  • Backhaus, K., Erichson, B., & Weiber, R. (2015). Fortgeschrittene multivariate Analysemethoden: eine anwendungsorientierte Einführung. Springer-Verlag.

  • Seiter, M. (2019): Business Analytics: wie Sie Daten für die Steuerung von Unternehmen nutzen. 2. Auflage. Vahlen.

  • Tecklenburg, T. (2008): Churn-Management im B2B-Kontext: eine empirische Analyse unter Berücksichtigung von hierarchischen Kundenstrukturen und heterogenem Kundenverhalten. Springer-Verlag.

  • Walter, O. (2016): CRM für Online-Shops: make big data small: Erfolgreiches customer relationship management im e-commerce. Mitp-Verlag.

Unter Change Management werden Maßnahmen verstanden, die die Umsetzung neuer Strategien, Prozesse oder Verhaltensweisen unterstützen. Ein Ansatz für ein erfolgreiches Change Management ist die Einflussnahme über „Influencer“, das heißt gut vernetzte Mitarbeiter im Unternehmen. Hintergrund des Change Managements bildet der fiktive Maschinenbauer Bausch GmbH. Das Unternehmen möchte die Akzeptanz der Belegschaft für kollaborative Montagerobotern gewinnen und deshalb Influencer ausfindig machen, die dieses Vorhaben unterstützen. Ziel der Arbeit ist es, anhand einer Netzwerkanalyse Influencer zu identifizieren und durch diese das Change Management im Unternehmen durchzuführen. 
Im Rahmen der Seminararbeit sollen die jeweils verwendeten Verfahren kurz erläutert und anschließend der Fokus auf die selbstständige Anwendung gelegt werden. Dazu wird den Studierenden ein Datensatz zur Verfügung gestellt. Die gewonnenen statistischen Evidenzen sollen darüber hinaus interpretiert und darauf aufbauend mögliche Handlungsempfehlungen gegeben werden. Die Analysen sollen mit der freien Statistiksoftware R durchgeführt werden. Alternativ kann auch die Software KNIME verwendet werden.

Einführende Literatur:

  • Backhaus, K., Erichson, B., & Weiber, R. (2015). Fortgeschrittene multivariate Analysemethoden: eine anwendungsorientierte Einführung. Springer-Verlag.

  • Gamper, M. (2019): Netzwerkanalyse – eine methodische Annäherung. Springer-Verlag.

  • Downs, A. (2012): Resistance to change as a positive influencer: an introduction. Journal of Organizational Change Management.

  • Seiter, M. (2019): Business Analytics: wie Sie Daten für die Steuerung von Unternehmen nutzen. 2. Auflage. Vahlen.

Dozierende

Prof. Dr. Mischa Seiter, Institut für Business Analytics
Prof. Dr. Mischa Seiter
Fabian Fritzsche, Institut für Business Analytics
Fabian Fritzsche
Natalie Rupp, Institut für Business Analytics
Natalie Rupp

Inhaltliche Informationen

Die Studierenden erwerben im Rahmen dieses Moduls die Fähigkeit, eine Themenstellung aus dem Bereich Business Analytics nach wissenschaftlichen Kriterien zu erarbeiten. Dies umfasst die Auswahl geeigneter quantitativer Methoden, deren Anwendung auf eine betriebswirtschaftliche Fragestellung und die Interpretation und Evaluation der Ergebnisse. Die Bearbeitung der Seminararbeit mit anschließender Präsentation und Diskussion der Ergebnisse fördert die rhetorische Fertigkeit und soziale Kompetenz der teilnehmenden Studierenden.

Die angebotenen Themen liegen im besonderen betriebswirtschaftlichen Interesse bzw. fallen in aktuelle Forschungsprojekte des Instituts und weisen einen inhaltlichen Bezug zu Fragestellungen aus der Praxis auf.

Je nach Themengebiet wird individuelle Literatur empfohlen.

Organisatorische Informationen

Nächster Veranstaltungsbeginn: WiSe 23/24

Ort:  Online - alle weiteren Informationen auf Moodle

Termine: 

  • Abgabe der Seminararbeiten: 28. November 2023
  • Endpräsentation: 05. Dezember 2023

ECTS: 4

Seminar (2 SWS): Schriftliche Hausarbeit, Präsentationsunterlagen, Präsentation im Rahmen eines Seminarvortrags

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 Ihre Präferenzen über alle angebotenen Seminare eintragen. Sie erfahren danach auf jener Webseite, in welchem Seminar Sie einen Platz erhalten haben.

Die Vergabe der Leistungspunkte erfolgt aufgrund der regelmäßigen Teilnahme, der vollständigen Bearbeitung eines übernommenen Themas (Vortrag und schriftliche Ausarbeitung) und der Beteiligung an der Diskussion. Die Anmeldung zur Prüfung setzt keinen Leistungsnachweis voraus.

Die Modulnote entspricht dem Ergebnis der Modulprüfung. Die Note der Modulprüfung ergibt sich aus den Noten der Ausarbeitung, der Präsentation und der Beteiligung an der Diskussion. Im Transcript of Records wird die errechnete Note für die Modulprüfung als eine Prüfungsleistung eingetragen und ausgewiesen.

Schwerpunktfächer: Technologie- und Prozessmanagement, Business Analytics

Studiengänge: B.Sc. Wirtschaftswissenschaften, B.Sc. Wirtschaftsphysik, B.Sc. Wirtschaftschemie, B.Sc. Wirtschaftsmathematik