Die fiktive Fluggesellschaft Invistico Airlines ist einer hohen Wettbewerbsintensität auf dem Markt für Flugreisen ausgesetzt. Deshalb ist die Sicherstellung der Kundenzufriedenheit ein essenzieller Bestandteil der Unternehmensstrategie des Unternehmens und wird regelmäßig mithilfe von Kundenfeedback evaluiert. Auf Basis dieser Daten können Faktoren identifiziert werden, welche die Zufriedenheit ihrer Kunden beeinflussen. Ziel der Arbeit ist es, eine Einflussfaktoranalyse der Kundenzufriedenheit durchzuführen und Verbesserungspotenziale zu ermitteln.
Zur Analyse wird den Studierenden ein Datensatz zur Verfügung gestellt. Die gewonnenen statistischen Evidenzen sollen darüber hinaus interpretiert und darauf aufbauend mögliche Handlungsempfehlungen gegeben 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.

Durch die Digitalisierung generieren immer mehr Unternehmen eine Vielzahl an Daten. Diese Daten stellen einen Wert dar. Deshalb sind Datenmarktplätze entstanden, auf welchen Daten gekauft und verkauft werden können. Auf dem Marktplatz gehandelte Daten stammen aus verschiedenen Quellen, wie beispielsweise Social Media, Prozess- und Maschinendaten oder Open Data. Die auf den Marktplätzen ermöglichte Verknüpfung von verschiedenen Daten erleichtern die Nutzungsweise und ermöglichen den unternehmensübergreifenden Datenaustausch. Ein Beispiel für einen Datenmarktplatz stellt der Data Intelligence Hub der deutschen Telekom dar. Auf dieser Plattform können verschiedene Daten frei oder gegen Bezahlung angeboten und erworben werden. Ziel der Arbeit ist es, die Funktionsweise und Einsatzpotenziale von Datenmarktplätzen in Unternehmen darzustellen.

Einführende Literatur:

• Lange, J.; Stahl, F.; Vossen, G. (2016): Datenmarktplätze in verschiedenen Forschungsdisziplinen: Eine Übersicht.
• Balazinska, M.; Howe, B.; Suciu, D. (2011) Data markets in the cloud: an opportunity for the database community.

Feedbacks auf digitalen Plattformen stellen formelle Steuerungsmechanismen dar, die für den Erfolg der Plattform entscheidend sind. Feedbacks bestehen typischerweise aus einer Sterne Bewertung und einer textuellen Bewertung. Die textuellen Bewertungen können sich dabei hinsichtlich des Umfangs des Textes aber auch der inhaltlichen Stimmung unterscheiden. Ziel der Arbeit ist es zu analysieren, wie sich der Umfang der textuellen Bewertungen und die Stimmungen einzelner Anbieter entwickeln. Dazu soll eine Sentiment-Analyse durchgeführt werden. Zur Analyse wird den Studierenden ein Datensatz zur Verfügung gestellt.

Einführende Literatur:

• Hu, N., Zhang, J., & Pavlou, P. A. (2009). Overcoming the J-shaped distribution of product reviews. Communications of the ACM, 52(10), 144-147.

Bewertungen auf Plattformen wie Amazon und Co. haben zum Ziel, die Nutzer bei ihrer Entscheidung für oder gegen ein Produkt oder eine Dienstleistung zu unterstützen. Denn bei Onlineeinkäufen können sich Kunden nicht direkt von der Qualität des Produkts überzeugen, sondern informieren sich durch die Bewertungen anderer Nutzer darüber. Dabei haben viele Plattformen mit falschen Bewertungen, sogenannten Fake Reviews zu kämpfen. Diese schädigen oder steigern absichtlich die Reputation eines Produkts oder Anbieters und können zu Wettbewerbsverzerrungen führen. Die Fake Reviews lassen sich jedoch nicht ohne weiteres erkennen. Auch bei großen Plattformen wie Amazon tritt das Problem sehr stark auf. Amazon versucht dem entgegenzuwirken und entfernt falsche Bewertungen, das Problem besteht jedoch weiterhin. Ziel der Arbeit ist es, Ansätze zur Identifikation von Fake Reviews zu entwickeln und anhand der Plattform Yelp zu evaluieren. Zur Analyse wird den Studierenden ein Datensatz zur Verfügung gestellt.

Einführende Literatur:

• Lappas, T. (2012): Fake Reviews: The Malicious Perspective
• Carbonell, G. et al. (2019): The impact of emotionality and trust cues on the perceived trustworthiness of online reviews
• Liu, W. et al. (2019): A Method for the Detection of Fake Reviews Based on Temporal Features of Reviews and Comments
• Li, Y. et al. (2020): Detection of Fake Reviews Using Group Model

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.

Objectives and Key Results (OKR) ist ein durch Google bekannt gewordenes Managementsystem, das vor allem im operativen Bereich Anwendung findet. Es bildet ein Rahmenwerk für die lang- und kurzfristigen Ziele und die Zielsetzung (Objectives) sowie der Messung von Ergebniskennzahlen (Key Results). Dabei werden durch OKR die einzelnen Aufgaben von Teams und Mitarbeitern mit der Unternehmensstrategie verknüpft. Dadurch werden die Priorisierungsfähigkeit sowie die Kommunikation und Transparenz im Unternehmen verbessert, die Leistung kann qualitativ und quantitativ gemessen werden und das Mitarbeiterengagement wird gestärkt. Somit unterstützt OKR das Erreichen von Unternehmenszielen. Ziel der Arbeit ist es, fünf Unternehmensbeispiele zu recherchieren, die OKR erfolgreich implementiert haben und diese Cases miteinander zu vergleichen.

Einführende Literatur:

• Doerr, J. E. (2018): Measure what matters. How Google, Bono, and the Gates Foundation rock the world with OKRs.
• Lihl, H. T., Mahlendorf, M. D. und Schmotz, D. (2019): Agiles Controlling mit OKR für schnelles Wachstum.
• Engelhardt, P. und Möller, K. (2017): OKRs - Objectives and Key Results. Kritische Analyse eines neuen Managementtrends.
• Lobacher, P. et al. (2017): Agiles Zielmanagement und modernes Leadership mit Objectives & Key Results (OKR): Das umfassende Kompendium.
• Alberti, M. (2015): Das OKR Buch – Führen wie im Silicon Valley. 

Emotion-Analytics ermöglicht die maschinelle Auswertung von Emotionen durch die Analyse von Mimik, Gestik, Tonfall und Textinhalten. Beispielsweise kann mithilfe künstlicher Intelligenz die menschliche Stimme auf Muster untersucht und dadurch Informationen über die wahren Gefühle einer Person ermittelt werden. Im unternehmerischen Kontext bietet die Emotion-Analytics Technologie somit vielfältige Möglichkeiten, um das Potenzial von Emotionen auch in einer zunehmend virtuellen Arbeitswelt zu nutzen. Ziel der Arbeit ist es, Einsatzpotenziale von Emotion-Analytics für Unternehmen zu identifizieren.

Einführende Literatur:

• Castelo N. 2019. Blurring the Line Between Human and Machine: Marketing Artificial Intelligence.
• Coletti, Angela; Sedatole, Karen L.; Towry, Kristy L. (2004): The Effect of Control Systems on Teams and Alliances: Trust and Cooperation in the New Collaborative Environment. In: SSRN Journal. DOI: 10.2139/ssrn.421200.
• GDPR (2016): Art. 22 - Automated individual decision-making, including profiling.