The Recommender Systems topic area deals with the development and use of AI-supported recommendation systems that assist users in selecting products, information or services. By analysing large amounts of data and recognising individual preference patterns, recommender systems can generate personalised suggestions that simplify decision-making processes and reduce information overload. The focus is on the interplay between algorithmic predictive power and human judgement: while AI calculates recommendations based on past interactions, users retain control over selection, evaluation and final decision-making.

Possible topics

How Spotify & Co generate recommendations – implementation and evaluation of a recommender system (BA/MA; contact: Leonie Embacher)
#Analytics, #Programming

Trust in AI-supported recommendation systems – How does explainability affect user acceptance? (BA/MA; contact: Leonie Embacher)
#Explainability, #AI, #Experiment

Explainability of review-based recommender systems – A systematic literature review (BA/MA; contact: Leonie Embacher)
#Explainability, #Literature-based

Human judgement and algorithmic recommendations – The influence of recommender systems on human decision-making processes (BA/MA; contact: Leonie Embacher)
#Decision quality, #Literature-based

Recommender systems in (social) media – Approaches to reducing filter bubbles and echo chambers (BA/MA; contact: Kilian Züllig)
#Filter bubbles, #Literature-based, #Analytics

The topics will be individually coordinated and specified with the students in terms of content and methodology. The requirements for the topics vary depending on the degree (Bachelor's/Master's).

In an increasingly digitalised world, people are spending more and more time in digital environments and making decisions there. Digital nudging involves the strategic use of design elements to encourage users in digital decision-making environments, such as digital platforms, to make decisions through small prompts (known as nudges) – without coercion or prohibitions.

Possible topics

Digital green nudging: An analysis of the effectiveness of digital nudges in promoting ecological behaviour. (BA & MA; contact: Jana Ruß, Christopher Tille)
#Sustainability, #Experiment or #Literature-based

Identification of spillover effects of digital nudges on other decisions (e.g. different context, different time, etc.) (BA & MA; Contact: Jana Ruß, Christopher Tille) 
#Sustainability, #Experiment or #Literature-based

Personalised digital nudges and their potential. (BA & MA; Contact:Jana Ruß, Christopher Tille)
#Individualisation, #Analytics, #Coding or #Experiment

Context-aware nudging: Development of situational digital nudging in real time. (BA & MA; Contact: Jana Ruß, Christopher Tille)
#Indivisualisation, #Analytics #Programming or #Literature-based

The topics are individually coordinated and specified with the students in terms of content and methodology. The requirements for the topics vary depending on the degree (Bachelor's/Master's).

Modern professional sport has evolved from purely gut-based decisions to data-driven decision making. The use of modern tracking technologies generates huge amounts of data that harbour untapped potential. Sports analytics deals with the systematic analysis of this data in order to identify competitive advantages. The aim is to use advanced statistical methods and machine learning to gain objective insights for tactics, player recruitment, load management and economic decisions.

Possible topics

Development of a 360-degree player performance dashboard Design and implementation. (BA & MA; contact: Kilian Züllig)
#Basketball, #Application-oriented, #Analytics, #Coding

Beyond goals & assists: Evaluating the quality of individual player actions in Bundesliga football using advanced methods. (BA & MA; contact: Kilian Züllig)
#Football, #Literature-based, #Analytics, #Coding

Injury prevention through machine learning: Analysis of stress data (GPS, heart rate) to predict injury risks in competitive sports. (BA & MA; Contact: Kilian Züllig) 
#Team sports, #Analytics, #Coding or #Literature-based

Tactical pattern recognition: Use of position data for automated recognition of plays and formations in team sports. (BA & MA; contact: Kilian Züllig)
#Team sports, #analytics, #coding or #literature-based

The content and methodology of the topics are individually agreed upon and specified with the students. The requirements for the topics vary depending on the degree (bachelor's/master's).

The Societal AI research area explores how artificial intelligence can help overcome societal challenges. In a societal context, the focus is on ethical, fair and transparent AI applications that strengthen social inclusion, responsible decision-making support and societal benefits.

Possible topics

How does good collaboration between humans and GenAI work: What are the consequences of blind trust in GenAI for society? (BA & MA; contact: Christopher Tille, Kirsten Pitz)
#GenAI, #trust, #literature-based, #experiment

What influence does GenAI have on the education system? Which skills are becoming increasingly important with the comprehensive integration of GenAI into our everyday lives? (BA & MA; contact: Christopher Tille, Kirsten Pitz)
#GenAI, #Education, #Literature-based

Disinformation with GenAI – What are the effects on political opinion formation? How is the internet changing due to the flood of AI-generated content? (BA & MA; contact: Christopher Tille, Kirsten Pitz)
#GenAI, #PoliticalOpinionFormation, #Literature-based

How should AI-supported educational programmes be designed to effectively promote democracy and prevent extremism? (BA & MA; Contact: Jana Ruß, Kirsten Pitz)
#GenAILiteracy, #Democracy, #Literature-based

Ethical tensions of AI in a social context (e.g. greenwashing, extremism, transparency, etc.) (BA & MA; contact: Christopher Tille, Kilian Züllig)
#Ethics, #Literature-based

Social recommendation – opportunities and risks of recommender systems in social networks (BA & MA; contact: Jana Ruß, Kilian Züllig)
#RecommenderSystems, #SocialMedia, #Literature-based

The content and methodology of the topics are individually agreed and specified with the students. The requirements for the topics vary depending on the degree (Bachelor's/Master's). 

More and more people are managing their own wealth accumulation. However, despite increased interest, young investors in particular often lack the necessary financial education to achieve sustainable wealth accumulation. This trend is reflected in social media: so-called finfluencers now reach thousands of people with their content. On the one hand, they draw attention to financial topics, but on the other hand, they also harbour risks: they often oversimplify risks or provide insufficient information due to conflicts of interest. As the phenomenon of finfluencers is still relatively new, it is important to understand and quantify the potential opportunities and risks.

Possible topics

How do videos by finfluencers affect consumers' financial education? (BA & MA; contact: Jonathan Ibele)
#Education, #SocialMedia, #Experiment

Do viewers recognise manipulative elements (financial signals, social pressure) in videos by finfluencers? (BA & MA; contact: Jonathan Ibele)
#Manipulation, #SocialMedia, #Experiment

What effect does clear labelling of advertising have on the credibility of finfluencers' messages? (BA & MA; contact: Jonathan Ibele)
#Marketing, #SocialMedia, #Experiment

How do finfluencers deal with the risks of financial products in their videos? (BA & MA; contact:Jonathan Ibele)
#Risks, #GenAI, #Analytics, #Coding

How can videos by finfluencers be automatically fact-checked? (BA & MA; contact: Jonathan Ibele)
#FactCheck, #GenAI, #Coding

How can promotional content be identified in videos by finfluencers, and to what extent do the characteristics of self-promotion and third-party advertising differ? (BA & MA; contact: Jonathan Ibele) 
#Marketing, #GenAI, #Coding

The topics will be individually coordinated and specified with the students in terms of content and methodology. The requirements for the topics vary depending on the degree (bachelor's/master's). 

The Green AI topic area explores how artificial intelligence can help overcome environmental challenges. In an environmental context, this involves optimising energy and resource use, preventing environmental disasters, reducing greenhouse gas emissions and promoting sustainable processes.

Possible topics

AI systems for reducing emissions or electricity consumption in the global supply chain, businesses, and residential buildings (BA & MA; contact: Christopher Tille, Kilian Züllig)
#ElectricityConsumption, #MachineLearning, #Coding, or #LiteratureBased

Use of AI to detect natural disasters and environmentally harmful activities (e.g. using satellite images) (BA & MA; contact: Christopher Tille, Kilian Züllig)
#NaturalDisasters, #MachineLearning, #Coding

AI-supported sustainability reporting to improve preparation and auditing (BA & MA; Contact: Christopher Tille, Kilian Züllig)
#Sustainability reporting, #Analytics, #Coding or #Literature-based

Ethical tensions of AI in an ecological context (e.g. greenwashing, transparency, etc.) (BA & MA; Contact: Christopher Tille, Kilian Züllig)
#Ethics, #Literature-based

Energy communities and tenant electricity. The role of AI in decentralised energy supply. (BA & MA; contact: Kilian Züllig) 
#P2P electricity trading, #machine learning, #coding or #literature-based

The content and methodology of the topics will be individually agreed and specified with the students. The requirements for the topics vary depending on the degree (bachelor's/master's). 

Brief description:

In the course of digitalisation, organisations today have access to very large and ever-growing amounts of data (keyword: ‘big data’). However, empirical evidence shows that the data analysed and used is often characterised by poor data quality – even in internal company customer databases, an average of approximately 30% of the stored data values are incorrect. This results in additional costs of $15 million per year for an average American company, for example. However, poor data quality is not only a major problem for companies – in times of ‘fake news’, the need for reliable information is also increasing in politics and society. This is why quantitative methods for measuring, controlling and improving data quality are needed.

Data quality is also becoming increasingly important in the context of generative systems. In particular, retrieval-augmented generation (RAG) systems, such as those underlying ChatGPT, place high demands on the quality of the underlying data. Data quality defects can arise both in the document base and in the retrieval process, for example due to incomplete documents or imprecise user queries, and have a direct impact on the quality of the generated responses. There is therefore a growing need for methods to detect and address data quality issues in RAG systems.

Possible topics:

• Detection of data quality defects in retrieval-augmented generation systems (BA/MA; contacts: Mike Rothenhäusler)
• Strategies for resolving data quality defects in retrieval-augmented generation systems (BA/MA; contacts: Mike Rothenhäusler)
• What isn't measured isn't managed: Development of data quality metrics (BA/MA; contacts: Andreas Obermeier)
• Data quality in IoT data: Overview & metrics of individual data quality dimensions (BA/MA; Contacts: Andreas Obermeier)
• Data quality in wikis & unstructured data: Overview & metrics of individual data quality dimensions (BA/MA; Contacts: Andreas Obermeier)
• Use of text mining to determine data quality defects in wikis (MA; contact: Andreas Obermeier)
• Influence of data quality defects on the performance of artificial intelligence (BA/MA; contacts: Andreas Obermeier)
• Uncertain machine learning: Incorporating uncertainty into artificial intelligence methods (BA/MA; contacts: Andreas Obermeier)
• Data quality and its effect on AI-supported systems (BA/MA; contacts: Hannah Knehr; Anna-Lena Kubilus)
• Data timeliness as a key factor in data-driven decision-making (BA/MA; contacts: Hannah Knehr; Anna-Lena Kubilus)

The content and methodology of the topics will be individually agreed and specified with the students. The requirements for the topics vary depending on the degree (bachelor's/master's). 

Brief description:

Information systems, and social media in particular (e.g. online social networks, wikis, rating and review communities, and discussion forums), have become an integral part of our society. They enable parts of the value chain, such as product development, sales, branding, and service, to be distributed and digitised in collaboration with market participants. Social media can also make a valuable contribution within companies – for example, through improved information and knowledge exchange in enterprise social networks. In this context, the question of quantifying the network effects that occur in social media is of great importance in both science and practice. In addition, social media and the internet provide companies with enormous amounts of data in structured (e.g. relationships between network actors) or unstructured form (e.g. text content of tweets). The targeted and well-founded analysis of this data using automated methods from the fields of social network analysis and text mining enables companies to improve their decision-making support and offers great potential, for example in customer relationship management.

Possible topics:

Social added value of non-profit digital platforms (BA/MA; contact: Maximilian Förster)

AI as an assistant and advisor for people (BA/MA; contact: Maximilian Förster)

Kurzbeschreibung:

Unternehmen stehen heutzutage – bspw. über soziale Medien und das Internet (z. B. Online Social Networks, Wikis, Bewertungs- und Rezensions-Communities, Diskussionsforen), aber auch in traditionellen Datenbanken (z. B. Data-Warehouse, Kundendatenbanken) und im direkten Kundenkontakt (z. B. humanoide Roboter wie Pepper) – sehr umfangreiche und immer weiter wachsende Datenmengen zur Verfügung. Dabei wird der überwiegende Großteil der verfügbaren Daten in unstrukturierter Form (Bilder, Videos, Texte) gespeichert. Um diesen Datenschatz zu heben, werden Methoden für eine automatisierte Analyse benötigt. Im Themenfeld Big Data Analytics & KI werden konkrete Einsatzmöglichkeiten und der daraus resultierende Nutzen von Methoden der Künstlichen Intelligenz bei der Analyse (un)strukturierter Daten erforscht.

Mögliche Themen:

• Agentic AI - Wie können KI-Agenten gestaltet werden, damit sie Nutzer:innen gezielt in der Aufgabenerfüllung qualifizieren? (BA/MA; Kontakte: Chiara Schwenke)
• Analytics und KI in der Produktionshalle der verarbeitenden Industrie (BA/MA; Kontakte: Patrick Bedué, Maximilian Förster)
• ML im Sport – Ist es möglich Resultate von Sportevents mittels Machine Learning vorherzusagen (BA/MA; Kontakte: Chiara Schwenke)
• Telematik-Daten aus Fahrzeugen: Fahrer-/Fahrmanövererkennung (BA/MA; Kontakt: Andreas Obermeier)
• Aspect-based Sentiment Analysis – Erklärung des Ratings in Kundenrezensionen (MA; Kontakt: Andreas Obermeier)
• Verbesserte Klassifikation von Imbalanced Data (BA/MA; Kontakt: Andreas Obermeier)
• Informations-Extraktion aus Bilddaten (MA; Kontakt: Andreas Obermeier)
• Entwicklung einer datengesteuerten Entscheidungsfindung (MA; Kontakt: Andreas Obermeier)
• Hybride Intelligenz (Mensch + GenAI) am Beispiel von Wissensnetzwerken (BA/MA; Kontakt: Maximilian Förster und Andreas Obermeier)
• Smart Energy Markets: KI zur Gestaltung dezentraler Energiemärkte der Zukunft (BA/MA; Kontakt: Maximilian Buck)
• Human-in-the-Loop als Ansatz zur Verbesserung KI-gestützter Systeme (BA/MA; Kontakt: Hannah Knehr, Maximilian Buck)

Kurzbeschreibung:

Traditionelle Verkaufsprozesse stoßen hinsichtlich der Datenverfügbarkeit sowie der Analyse- und Verarbeitungsmöglichkeiten oft an ihre Grenzen. Im stationären Handel können die Mitarbeiter in der Regel nicht alle Produkt- und Kundendetails auswendig parat haben. Selbst wenn diese Informationen den Serviceexperten zur Verfügung stünden (z.B. über ein traditionelles IT-System), wäre die Verarbeitung aufgrund der großen Menge an relevanten Daten und ihrer Komplexität manuell kaum zu bewältigen oder durch subjektive persönliche Ansichten verzerrt. Recommender Systeme ermöglichen es objektiv auf Basis von großen Datenmengen Nutzern Produkte zu empfehlen. Roboter wie Pepper haben die Möglichkeit, den Kunden in der physischen Welt wahrzunehmen, mit ihm in Interaktion zu treten und besitzen zudem die Rechenleistung um die so gewonnen Daten objektiver, schneller und genauer zu verarbeiten als Menschen.

Mögliche Themen:

• Einsatz des humanoiden Roboters Pepper im Kundenservice (BA/MA; Kontakt: Andreas Obermeier)
• Einsatz des humanoiden Roboters Pepper im Klinikumfeld (BA/MA; Kontakt: Andreas Obermeier)
• Explainable & Conversational Recommender Systems – Überblick (BA; Kontakt: Andreas Obermeier)
• Kundenorientierte Evaluation von Explainable & Conversational Recommender Systems (BA/MA; Kontakt: Andreas Obermeier)
• Natural Language Generation – Systeme zur Automatisierung des Customer Service (BA/MA; Kontakt: Andreas Obermeier)

Kurzbeschreibung:

Die Arbeitswelt steht vor großen Veränderungen. Die rasante technologische Entwicklung und gesellschaftliche Umbrüche erfordern Antworten darauf, wie die zukünftige Arbeitswelt in Baden-Württemberg gestaltet werden kann. Digitalisierung, Automatisierung und künstliche Intelligenz gelten als Schlüsseltreiber für zukünftiges Wirtschaftswachstum und werden die Arbeitswelt maßgeblich prägen. Daneben bringt die Transformation der Gesellschaft hin zur Klimaneutralität weitreichende Veränderungen mit sich, unter anderem durch die deutliche Reduktion von Treibhausgasemissionen, den Wandel zur ressourceneffizienten Kreislaufwirtschaft und die Umsetzung der Energiewende. Bei der Bewältigung dieser Veränderungen ist vor allem eines wichtig: Menschen, die den wirtschaftlichen und gesellschaftlichen Fortschritt gestalten. Deshalb müssen jetzt die Fähigkeiten aufgebaut werden, die nötig sind, um die Zukunft für alle positiv zu gestalten, sogenannte Future Skills.

Mögliche Themen: 

• Extraktion von Skills aus Stellenanzeigen (BA/MA; Kontakt: Maximilian Förster)
• Erstellung von Future Skills Listen aus Stellenanzeigen mit Hilfe von Machine Learning Methoden (MA; Kontakt: Maximilian Förster)
• Automatisierte Erkennung emergenter Skills mit Hilfe von Machine Learning Methoden (BA/MA; Kontakt: Maximilian Förster)
• Zeitreihenanalysen von Future Skills (BA/MA; Kontakt: Maximilian Förster)

Kurzbeschreibung:

Die Möglichkeit, große Datenmengen aus verschiedenen Quellen (Big Data) zu verarbeiten, und der Einsatz Künstlicher Intelligenz können Unternehmen dabei helfen, ihre Methoden zur Gewinnung, Entwicklung und Bindung von Mitarbeiter:innen grundlegend zu verbessern. Trotz der Verfügbarkeit fortschrittlicher Analyseverfahren basieren die HR-Entscheidungen in vielen Unternehmen jedoch immer noch auf Gefühl und Intuition. Hier setzt People Analytics an: Als zentrales Element zukunftsfähiger Personalstrategien ermöglicht People Analytics einen evidenzbasierten Ansatz im Personalwesen, bei dem Technologien zur Analyse von Daten über bestehende, ehemalige und zukünftige Mitarbeiter:innen in allen HR-Bereichen eingesetzt werden, mit dem Ziel, das Personalwesen und die allgemeine Unternehmensleistung zu verbessern.

Mögliche Themen: 

• Innovative Anwendungen von People Analytics: Fallstudien und Best Practices (BA/MA; Kontakt: Chiara Schwenke)
• Künstliche Intelligenz in der Arbeitswelt: Den Wandel gestalten (BA/MA; Kontakt: Chiara Schwenke)
• Qualität der GenAI-Nutzung am Arbeitsplatz (BA/MA; Kontakt: Chiara Schwenke)
• Empirische Untersuchung des Einflusses von People Analytics auf Geschäftsprobleme und organisatorische Leistung (BA/MA; Kontakt: Chiara Schwenke)
• AI Ethics in People Analytics (BA/MA; Kontakt: Chiara Schwenke)
• Organisatorische Voraussetzungen für die erfolgreiche Implementierung von People Analytics (BA/MA; Kontakt: Chiara Schwenke)

Hintergrund: Information Avoidance beschreibt das absichtliche Vermeiden von potenziell wichtigen Informationen. Trotz wachsender Relevanz – etwa im Bereich Nachhaltigkeit, Gesundheitswesen oder Finanzen – fehlt eine strukturierte Gesamtdarstellung des Forschungsstandes.

Forschungsfrage: Welche theoretischen und empirischen Erkenntnisse existieren zur Informationsvermeidung (Information Avoidance), und welche Implikationen ergeben sich daraus für Unternehmen? 

Ziele der Arbeit:

1. Systematische Literaturrecherche und Kategorisierung der bestehenden Literatur (z. B. psychologische vs. ökonomische Perspektiven).
2. Identifikation von Forschungslücken und potenziellen Lösungsmöglichkeiten

Hintergrund: Agentic AI beschreibt KI-Systeme mit hoher Autonomie und Entscheidungsfähigkeit. Diese Systeme können strategische Entscheidungen vorbereiten oder autonom umsetzen, ihre Rolle in Organisationen ist jedoch noch wenig erforscht. Mit zunehmender Autonomie können neue Risiken und Herausforderungen entstehen – von Haftungsfragen über Kontrollverlust bis hin zu ethischen Dilemmata. Insbesondere für Unternehmen mit geringen KI-Kompetenzen kann Agentic AI problematisch sein.

Mögliche Schwerpunkte:

• Systematische Literaturübersicht zu Agentic AI und ihren Einsatzfeldern sowie die Entwicklung eines Einsatzrahmens
• Analyse aktueller Forschung zu Risiken und Herausforderungen durch Agentic AI sowie Ableitung von Best Practices im Umgang

Die konkrete Ausgestaltung wird dann in Abstimmung mit der Betreuungsperson entwickelt.

Forschungsfrage: Welche (internationalen) Best Practices gibt es in Bezug auf die Gestaltung hybrider Arbeitsmodelle?

Hintergrund:

„Yes, Zoom Has an Office. No, It’s Not a Place to Work.” (Cohen, 2022)
Infolge der Covid-19-Pandemie etablieren sich langfristig hybride Arbeitsmodelle, in denen Beschäftigte nur teilweise vor Ort arbeiten. Hybrides Arbeiten birgt Chancen für Beschäftigte (bspw. Flexibilität) und Unternehmen (bspw. reduzierter Platzbedarf, jedoch auch Gefahren für den Teamzusammenhalt, die individuelle und kollektive Kreativität und die Firmenkultur. Es stellt sich daher die Frage, wie erfolgreiche hybride Arbeitsmodelle in der Praxis ausgestaltet sind.

Ziele der Arbeit:

1. Durchführung einer Recherche zur Identifikation von (internationalen) Best Practices in Bezug auf die Gestaltung hybrider Arbeitsmodelle (bspw. Bürogestaltung, Unternehmenskultur, Präsenzregeln, etc.)
2. Fallstudienartige Darstellung der hybriden Arbeitsmodelle einzelner Unternehmen

Einstiegsliteratur:

• Choudhury, R.: Our work from anywhere future. https://hbr.org/2020/11/our-work-from-any-where-future
• Cohen, B. (2022): Yes, Zoom Has an Office. No, It’s Not a Place to Work. The Wall Street Journal. https://www.wsj.com/articles/zoom-offices-hybrid-remote-work-11661977375
• Haas, M.: 5 Challenges of Hybrid Work — and How to Overcome Them. Harvard Business Re-view. hbr.org/2022/02/5-challenges-of-hybrid-work-and-how-to-overcome-them

Hintergrund: Ökonomische Turbulenzen haben in den vergangenen Jahren massiv zugenommen. Neben dem Klimawandel, der Covid-Pandemie und geopolitischen Schocks wie dem Krieg Russlands in der Ukraine ist eine langfristige Entkopplung der Weltwirtschaft zu beobachten, sogenanntes Decoupling. Als hochgradig vernetzte, exportorientierte Volkswirtschaft steht insb. die deutsche Industrie vor einer Vielzahl von Herausforderungen an unterschiedlichen Stellen.

Mögliche Schwerpunkte:

• Entwicklung einer Methode zur Analyse unterschiedlicher Stressfaktoren und Aufbau eines Ursache-Wirkungs-Modells zur Bewertung der Auswirkungen von Krisen auf KMU
• Definition wichtiger Ziel- und Steuerungsgrößen für Unternehmen unter Stress und Aufbau eines KPI-Treiberbaum zur Identifikation von Frühwarnindikatoren
• Identifikation, Analyse und Aufbereitung frei zugänglicher Datenquellen zur frühzeitigen Erkennung von externen Störfaktoren in Unternehmensnetzwerken
• Bewertung und Entwicklung von Anreizsystemen zur Steigerung der Krisenresilienz

Die konkrete Ausgestaltung wird dann in Abstimmung mit der Betreuungsperson entwickelt.

Einstiegsliteratur:

• Lamorgese, A., Patnaik, M., Linarello, A., & Schivardi, F. (2024). Management practices and resilience to shocks: Evidence from COVID-19. Management Science, 70(12), 9058-9072.
• Hayne, C. (2022). The effect of discontinuous and unpredictable environmental change on management accounting during organizational crisis: A field study. Contemporary Accounting Research, 39(3), 1758-1796.
• Hyun, J. H., Matejka, M., Oh, P., & Ahn, T. S. (2022). Performance targets and ex post incentive plan adjustments. Contemporary Accounting Research, 39(2), 863-892.

Forschungsfrage: Wie kann ein webbasiertes Reporting-Tool zur Steuerung von Nachhaltigkeitsstrategien ausgestaltet werden?

Hintergrund:

Durch die konsequente Umsetzung von Nachhaltigkeitsstrategien können kleine und mittlere Unternehmen (KMU) ihre ökologische sowie soziale Verantwortung stärken und langfristige Wettbewerbsvorteile realisieren. Der steigende Druck von Stakeholdern sowie regulatorische Anforderungen führen dazu, dass Nachhaltigkeitsstrategien zunehmend transparent gemacht und systematisch gesteuert werden müssen. Eine effektive Umsetzung erfordert ein integriertes, zugleich ressourcenschonendes (in)formelles Steuerungssystem. Für eine KMU-gerechte Umsetzung kann ein webbasiertes und nutzerfreundliches Reporting-Tool maßgeblich zur Steuerung dieser Strategien beitragen.

Ziele der Arbeit:

1. Modellierung eines Mockups für ein webbasierten Reporting-Tool auf Basis eines bereits bestehenden Steuerungssystems für Nachhaltigkeitsstrategien
2. Validierung des Mockups im Rahmen von Experteninterview

Einstiegsliteratur:

• Benyon, D. (2019): Designing User Experience. A guide to HCI, UX and interaction design. Pearson.
• Garrett, J. J. (2011): The Elements of User Experience. New Riders.
• Cheng, M., et al (2023): Sustainability and Management Accounting Research. Journal of Management Accounting Research 35(3), 1–11.
• Derchi, G., et al. (2023): Green incentives for environmental goals. Management Accounting Research 59, 100830.

• Systematische Literaturrecherche und Kategorisierung bestehender Studien zum Ratcheting Effect
• Analyse zentraler Einflussfaktoren (z. B. Anreizsysteme, Informationsasymmetrien, Mitarbeitermotivation)
• Ableitung von Implikationen für Zielsetzung, Planung und Kontrolle in Unternehmen

• Systematische Recherche und Erfassung relevanter Open-Data-Quellen mit Bezug zu Prognoseanwendungen
• Entwicklung eines Klassifikationsschemas (z. B. nach Datenart, Aktualität, Zugänglichkeit, Prognosebezug)
• Analyse von Stärken, Schwächen und Nutzungspotenzialen verschiedener Datenquellen für Forecasting-Modelle

• Kugler, P., Vogt, H., Meierhofer, J., Dobler, M., Strittmatter, M., Treiterer, M., & Schick, S. (2024). Daten im B2B-Ökosystem teilen und nutzen: Wie KMU Voraussetzungen schaffen und Hürden überwinden. In Digitale Plattformen und Ökosysteme im B2B-Bereich (S. 209–240). https://doi.org/10.1007/978-3-658-43130-3_8
• Petropoulos, F., Apiletti, D., Assimakopoulos, V., Babai, M. Z., Barrow, D. K., Ben Taieb, S., et al. (2022). Forecasting: Theory and practice. International Journal of Forecasting, 38(3), 705–871. https://doi.org/10.1016/j.ijforecast.2021.11.001