Seminar Business Analytics (Master)

Übersichtsgraphik: Ablauf Business Analytics Proess from Framing bis zur Preparation

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

Themen

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. Berlin, Heidelberg. Springer.
  • Carbonell, G. et al. (2019): The impact of emotionality and trust cues on the perceived trustworthiness of online reviews. Cogent Business & Management, 6(1). 1-14.
  • Liu, W. et al. (2019): A Method for the Detection of Fake Reviews Based on Temporal Features of Reviews and Comments. IEEE Engineering Management Review, 47(4), 67-79.
  • Li, Y. et al. (2020): Detection of Fake Reviews Using Group Model. Mobile Networks and Applications. 26(1), 91-103.

 

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:

  • Seiter, M., Grünert, L., Kenner, K. (2021): Subscription Models – Merkmale, Praxisbeispiele und Auswirkungen auf die Unternehmenssteuerung, in: Schmalenbach IMPULSE (1), S. 1-17.
  • González Chávez et al. (2021): Towards sustainable servitization: A literature review of methods and frameworks. In: Procedia CIRP 104, S. 283–288.
  • Schuh et al. (2020): Outcome Economy – Subscription Business Models in Machinery and Plant Engineering, in: Procedia CIRP 93(1), S. 599-604.

 

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, Best Practices zum Einsatz von ChatGPT für unterschiedliche Anwendungsmöglichkeiten im betrieblichen Kontext 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.

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, Best Practices zur Gestaltung von Prompts für unterschiedliche Anwendungsmöglichkeiten im betrieblichen Kontext aufzuzeigen.

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.

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. Ziel der Arbeit ist es, die Funktionsweise und Einsatzpotenziale von Datenmarktplätzen in Unternehmen darzustellen.

Einführende Literatur:

  • Lange et al. (2016): Datenmarktplätze in verschiedenen Forschungsdisziplinen: Eine Übersicht.
  • Balazinska et al. (2011):  Data markets in the cloud: an opportunity for the database community.

In der heutigen Unternehmenswelt ist die Visualisierung von Daten und Prozessen zunehmend entscheidend, um verschiedene Aspekte ihrer Prozesse zu veranschaulichen, wie den Fortschritt in der Produktion, der Zustand von Maschinen oder sogar die Darstellung von digitalen Zwillingsmodellen. Dabei erweist sich Visual Analytics als ein nützlicher Ansatz, um aus komplexen Datensätzen Erkenntnisse zu gewinnen und fundierte Entscheidungen zu treffen. Dadurch wird die Kommunikation von Informationen innerhalb des Unternehmens unterstützt und Entscheidungsträger können fundiertere Entscheidungen treffen. Ziel der Arbeit ist es, Einsatzpotenziale von Visual Analytics für Unternehmen zu identifizieren.

Einführende Literatur:

  • Cui (2019): Visual analytics: A comprehensive overview. In: IEEE Access 7, 81555-81573.
  • Zhang et al. (2012): Visual analytics for the big data era—A comparative review of state-of-the-art commercial systems. In: 2012 IEEE Conference on Visual Analytics Science and Technology (VAST), 173-182.

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 (2019): Blurring the Line Between Human and Machine: Marketing Artificial Intelligence.
  • Coletti et al. (2004): The Effect of Control Systems on Teams and Alliances: Trust and Cooperation in the New Collaborative Environment. In: SSRN Journal.
  • GDPR (2016): Art. 22 - Automated individual decision-making, including profiling.

Dozierende

Prof. Dr. Mischa Seiter, Institut für Business Analytics
Prof. Dr. Mischa Seiter
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: SoSe 2024

Ort:  Online - alle weiteren Informationen auf Moodle

Termine: 

  • Abgabe der Seminararbeiten: 25. Juni 2024, 14 Uhr
  • Endpräsentation: 10. Juli 2024, 10 - 18 Uhr / 16. Juli 2024, 14 - 18 Uhr

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: M.Sc. Wirtschaftswissenschaften, M.Sc. Wirtschaftsphysik, M.Sc. Wirtschaftschemie, M.Sc. Wirtschaftsmathematik, M.Sc. Nachh. Unternehmensf.