Seminar Customer Relationship Management und Social Media (Bachelor)

Das Seminar Customer Relationship Management und Social Media baut auf den Veranstaltungen „Wertorientiertes Customer Relationship Management & Business Intelligence“ und „Methoden des IT-Projektmanagments“ auf und ist inhaltlich dem Schwerpunkt „Business Analytics“ zugeordnet.

Im Rahmen des Seminars sollen Lösungsansätze für spezifische Fragestellungen aus den Bereichen Customer Relationship Management und Social Media beleuchtet und (weiter)entwickelt werden. Hierfür sind in der Regel zunächst ein strukturierter Literaturüberblick zum Thema zu erarbeiten und Best Practices zu recherchieren. Ein kritischer Vergleich von Theorie und Praxis, eigene Ideen und Handlungsempfehlungen sowie ggf. auch der Einsatz bzw. die Evaluation von Software-Tools runden das Seminar ab.

Themenvergabe

04.07.2022 - 10.07.2022:
Präferenzeingaben durch die Studierenden im Tool

11.07.2022:
Hauptrunde des Seminarmatchings

14.07.2022:
Zweite Runde des Seminarmatchings

Themen

Künstliche Intelligenz (KI) hat Menschen bei der Diagnose von Röntgenbildern oder beim Schachspielen überholt. Gleichzeitig erschrecken Nachrichten über diskriminierende Algorithmen oder Unfälle mit selbstfahrenden Autos. Welches Maß an Vertrauen ist „gesund“? Und wie kann man messen, ob wir KI angemessen vertrauen?

Im Rahmen der Seminararbeit soll ein Überblick über die wissenschaftliche Literatur zu angemessenem Vertrauen in KI gegeben werden. Anschließend soll beleuchtet werden, inwieweit angemessenes Vertrauen in KI gemessen werden kann.

Literaturhilfe: Dazeley, R., Vamplew, P., Foale, C., Young, C., Aryal, S., & Cruz, F. (2021). Levels of explainable artificial intelligence for human-aligned conversational explanations. Artificial Intelligence, 299, 103525. DOI: 10.1016/j.artint.2021.103525

Künstliche Intelligenz (KI) hat Menschen bei der Diagnose von Röntgenbildern oder beim Schachspielen überholt. Gleichzeitig erschrecken Nachrichten über diskriminierende Algorithmen oder Unfälle mit selbstfahrenden Autos. Damit KI wertstiftend eingesetzt werden kann, muss sie sich uns Menschen gegenüber erklären. Dabei kann Vorbild sein, wie wir Menschen selbst erklären.

Im Rahmen der Seminararbeit soll ein Überblick über die wissenschaftliche Literatur zu Erklärbarer KI gegeben werden. Anschließend soll beleuchtet werden, inwiefern Erklärungen an menschliche Erklärungen angelehnt werden können.

Literaturhilfe: Jacovi, A., Marasović, A., Miller, T., & Goldberg, Y. (2021). Formalizing trust in artificial intelligence: Prerequisites, causes and goals of human trust in ai. In Proceedings of the 2021 ACM conference on fairness, accountability, and transparency (pp. 624-635).

Künstliche Intelligenz (KI) hat Menschen bei der Diagnose von Röntgenbildern oder beim Schachspielen überholt. Gleichzeitig erschrecken Nachrichten über diskriminierende Algorithmen oder Unfälle mit selbstfahrenden Autos. Damit KI wertstiftend eingesetzt werden kann, muss sie sich uns Menschen gegenüber erklären. Doch wie kann festgestellt werden, ob diese Erklärungen tatsächlich die gewünschten Eigenschaften erfüllen?

Im Rahmen der Seminararbeit soll ein strukturierter Überblick über die wissenschaftliche Literatur zu Erklärbarer Künstlicher Intelligenz und Evaluationsmöglichkeiten gegeben werden. Anschließend soll speziell für verschieden Methodengruppen in Erklärbarer Künstlicher Intelligenz basierend auf bestehender Literatur passende Evaluationsmöglichkeiten für mögliche Evaluationsziele ermittelt werden.

Literaturhilfe: Mohseni, S. Zarei, N. Ragan, E. D. (2021). A Multidisciplinary Survey and Framework for Design and Evaluation of Explainable AI Systems. In ACM Transactions on Interactive Intelligent Systems 11(3-4) (pp. 1-45). Online verfügbar unter: https://arxiv.org/pdf/1811.11839.pdf

Künstliche Intelligenz (KI) hat Menschen bei der Diagnose von Röntgenbildern oder beim Schachspielen überholt. Gleichzeitig erschrecken Nachrichten über diskriminierende Algorithmen oder Unfälle mit selbstfahrenden Autos. Damit KI wertstiftend eingesetzt werden kann, muss sie sich uns Menschen gegenüber erklären. Es existieren bereits viele verschiedene Methoden, mit denen Entscheidungen von KI erklärt werden können. Doch wann ist welche Erklärungsform vorteilhaft?

Im Rahmen der Seminararbeit soll ein strukturierter Überblick über die wissenschaftliche Literatur zu Erklärbarer Künstlicher Intelligenz und deren Stakeholder gegeben werden. Anschließend soll speziell für verschieden Stakeholdergruppen ermittelt werden, welche Erklärungsarten am besten geeignet sind.

Literaturhilfe: https://arxiv.org/abs/1910.10045

Künstliche Intelligenz (KI) hat Menschen bei der Diagnose von Röntgenbildern oder beim Schachspielen überholt. Gleichzeitig erschrecken Nachrichten über diskriminierende Algorithmen oder Unfälle mit selbstfahrenden Autos. Damit KI wertstiftend eingesetzt werden kann, muss sie sich uns Menschen gegenüber erklären. Es existieren bereits viele verschiedene Methoden, mit denen Klassifikationssysteme erklärt werden können. Doch wie können die Empfehlungen von Empfehlungssystemen erklärt werden?

Im Rahmen der Seminararbeit soll ein strukturierter Überblick über die wissenschaftliche Literatur zu Erklärbarer Künstlicher Intelligenz und Empfehlungssystemen gegeben werden. Anschließend soll anhand bestehender Literatur ermittelt werden, welche Methoden geeignet sind, um Empfehlungssysteme zu erklären.

Literaturhilfe: Tan, J., Xu, S., Ge, Y., Li, Y., Chen, X., and Zhang, Y. (2021). Counterfactual Explainable Recommendation. In Proceedings of the 30th ACM International Conference on Information & Knowledge Management (pp. 1784-1793).

Mit der Nutzung von sozialen Medien werden Menschen nicht nur zum gläsernen Bürger, sondern auch angreifbar für Manipulationen. Politiker können sich dies zunutze machen und mithilfe von sozialen Medien die öffentliche Meinung und Wahrnehmung zu manipulieren. Wie viel Macht haben soziale Medien in politischen Konflikten wirklich und wie können soziale Medien eingesetzt werden?

Im Rahmen der Seminararbeit soll ein strukturierter Überblick über die wissenschaftliche Literatur zu Manipulationsmöglichkeiten in sozialen Medien gegeben werden. Anschließend soll speziell für den russischen Überfall auf die Ukraine der Einsatz dieser Manipulationsmöglichkeiten analysiert werden.

Literaturhilfe: journals.sagepub.com/doi/full/10.1177/0163443716686672

Mit der Nutzung von sozialen Medien werden Menschen nicht nur zum gläsernen Bürger, sondern auch angreifbar für Manipulationen. Doch wie viel Vorhersagekraft steckt in den Beiträgen in sozialen Medien wirklich und wie können speziell Tweets genutzt werden, um wirtschaftliche und politische Entwicklungen und Ereignisse vorherzusagen (z.B. Aktienkurse oder Wahlen)?

Im Rahmen der Seminararbeit soll ein strukturierter Überblick über die wissenschaftliche Literatur zu sozialen Medien mit Fokus auf Prognosen mit Hilfe von Twitterdaten gegeben werden. Anschließend sollen Best Practices um wirtschaftliche und politische Entwicklungen und Ereignisse vorherzusagen erörtert werden.

Literaturhilfe: Gayo-Avello, Daniel. "" I Wanted to Predict Elections with Twitter and all I got was this Lousy Paper"--A Balanced Survey on Election Prediction using Twitter Data." arXiv preprint arXiv:1204.6441 (2012))

Grundlage für alle Machine Learning Verfahren sind die zugrunde liegenden Daten. Durch eine schlechte Qualität dieser Daten bzw. einer Unsicherheit über deren Richtigkeit (Uncertainty), welche z.B. durch eine begrenzte Messgenauigkeit, veraltete Quellen, Sensorfehler oder Übertragungsprobleme hervorgerufen werden kann, wird die Güte von intelligenten Verfahren möglichweise erheblich verschlechtert. Als Gegenmaßnahme können die Eingabedaten von Machine Learning Verfahren abhängig von ihrer Qualität/Unsicherheit gewichtet werden.

Im Rahmen der Seminararbeit soll ein strukturierter Überblick über Verfahren des Machine Learning mit gewichteten Eingabedaten zur Lösung von Klassifikationsproblemen, welchen unsichere Daten zugrunde liegen, gegeben werden. Optional kann ein solches Problem beispielhaft mit Hilfe einer Weighted Support Vector Machine (WSVM) gelöst werden und anschließend dessen Güte mit der Güte eines klassischen SVM Verfahren verglichen werden.

Literaturhilfe: Yang, X., Song, Q., & Wang, Y. (2007). A weighted support vector machine for data classification. International Journal of Pattern Recognition and Artificial Intelligence, 21(05), 961-976.

Grundlage für alle Machine Learning Verfahren sind die zugrunde liegenden Daten. Durch eine schlechte Qualität dieser Daten bzw. einer Unsicherheit über deren Richtigkeit (Uncertainty), welche z.B. durch eine begrenzte Messgenauigkeit, veraltete Quellen, Sensorfehler oder Übertragungsprobleme hervorgerufen werden kann, wird die Güte von intelligenten Verfahren möglichweise erheblich verschlechtert. Als Gegenmaßnahme können die Eingabedaten von Machine Learning Verfahren abhängig von ihrer Qualität/Unsicherheit gewichtet werden.

Im Rahmen der Seminararbeit soll ein strukturierter Überblick über Verfahren des Machine Learning mit gewichteten Eingabedaten zur Lösung von Regressionsproblemen, welchen unsichere Daten zugrunde liegen, gegeben werden. Optional kann ein solches Problem beispielhaft mit Hilfe einer Weighted Linear Regression gelöst werden und anschließend dessen Güte mit der Güte einer klassischen Lineare Regression verglichen werden.

Literaturhilfe: Sulaimon Mutiu, O. (2015). Application of weighted least squares regression in forecasting. Int. J. Recent. Res. Interdiscip. Sci, 2(3), 45-54.

Reinforcement Learning (RL) ist ein Überbegriff für Methoden, die durch das selbstständige Erlernen von Strategien neue Problemlösungen finden. Bekannt wurde dieses Machine Learning Paradigma durch Algorithmen, die sowohl den Menschen als auch andere Softwares in Spielen wie Schach oder Go deutlich übertreffen konnten. Allerdings stellt sich trotz dieser beeindruckenden Leistungen die Frage, ob die Methoden des RL auch einen ökonomischen oder gesellschaftlichen Mehrwert liefern können.

Im Rahmen der Seminararbeit soll ein Überblick über die Funktionsweise von Methoden des RL sowie deren Anwendungsgebiete gegeben werden. Anschließend soll das Potenzial für die Anwendung von RL mit einem ökonomischen oder gesellschaftlichen Mehrwert beleuchtet und diskutiert werden.

Literaturhilfe: A. S. Polydoros & L. Nalpantidis (2016): „Survey of Model-Based Reinforcement Learning: Applications on Robotics“

Reinforcement Learning (RL) ist ein Überbegriff für Methoden, die durch das selbstständige Erlernen von Strategien neue Problemlösungen finden. Um diese Lösungen zu finden und das Potenzial von RL auszuschöpfen, müssen jedoch Schwierigkeiten wie z.B. die Stichprobenineffizienz oder das sog. spärliche Feedback behoben werden.

Im Rahmen dieser Seminararbeit soll ein Überblick über die Herausforderungen gegeben werden, denen sich RL stellen muss. Anschließend sollen deren Lösungen und der aktuelle Stand der Wissenschaft herausgearbeitet werden und ein Ausblick über noch offene Herausforderungen gegeben werden.

Literaturhilfe: Dulac-Arnold, G., Levine, N., Mankowitz, D. J., Li, J., Paduraru, C., Gowal, S., & Hester, T. (2021). Challenges of real-world reinforcement learning: definitions, benchmarks and analysis. Machine Learning, 110(9), 2419-2468.

Die Analyse großer Datenmengen (Big Data) und die darauf basierende Entscheidungsunterstützung versprechen enormes Potenzial für Unternehmen. Zu solchen Unternehmen zählen außerdem Sportvereine, welche immer mehr versuchen die Leistung ihrer Sportler durch die Auswertung von Daten zu verbessern.

Im Rahmen der Arbeit soll ein Überblick über die Nutzungsmöglichkeiten von Big Data und Machine Learning Verfahren im Sport gegeben werden. Anschließend soll speziell das Potenzial von Machine Learning Verfahren analysiert und diskutiert werden.

Literaturhilfe: Morgulev, E., Azar, O. H., & Lidor, R. (2018). Sports analytics and the big-data era. International Journal of Data Science and Analytics, 5(4), 213-222.

Dozierende

Prof. Dr. Mathias Klier, Institut für Business Analytics
Prof. Dr. Mathias Klier
Dr. Maximilian Förster, Institut für Business Analytics
Dr. Maximilian Förster
Philipp Hühn, Institut für Business Analytics
Philipp Hühn
Philipp Hühn, Institut für Business Analytics
Torben Widmann

Inhaltliche Informationen

Die Studierenden erwerben im Rahmen dieses Moduls die Fähigkeit, ein Thema aus dem Gebiet Customer Relationship Management und Social Media selbständig und nach wissenschaftlichen Kriterien zu erarbeiten. Die Bearbeitung einer Seminararbeit mit anschließender Präsentation und Diskussion der Ergebnisse fördert die rhetorische Fertigkeit und soziale Kompetenz der teilnehmenden Studierenden.

In diesem Modul werden folgende fachliche Inhalte vermittelt:

  • Social Media - Digitale Plattformen
  • Social Media - Fake News
  • CRM - Explainable Artificial Intelligence

Je nach Themengebiet wird individuelle Literatur empfohlen.

Organisatorische Informationen

Nächster Veranstaltungsbeginn: WiSe 22/23

Ort: Online

Termine: 

  • Abgabe der Seminararbeiten: Termin wird rechtzeitig bekannt gegeben
  • Endpräsentation: Zeitpunkt und Ort werden rechtzeitig bekannt gegeben

ECTS: 4

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

Themenvergabe mit Hilfe des zentralen Tools:

  • Deutsche Version:

       econ.mathematik.uni-ulm.de/semapps/stud_de/

  • Englische Version:

       econ.mathematik.uni-ulm.de/semapps/stud_en/

Die Themen können nur alleine bearbeitet werden. Zur Erlangung des Leistungsnachweises ist die Anfertigung einer Seminararbeit sowie einer Präsentation (10 Minuten) mit anschließender Diskussion (5 Minuten) notwendig.

Schwerpunktfächer: Technologie- und Prozessmanagement, Business Analytics, sowie Unternehmensführung und Controlling, Wahlpflicht BWL

Studiengänge: B.Sc. Wirtschaftswissenschaften, B.Sc. Wirtschaftsmathematik, B.Sc. Wirtschaftschemie, B.Sc. Wirtschaftsphysik und Studiengänge mit Nebenfach Wirtschaftswissenschaften