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 „Technologie- und Prozessmanagement“ 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

12.07. – 17.07.2021:
Präferenzeingaben durch die Studierenden im Tool

18.07.2021:
Hauptrunde des Seminarmatchings

22.07.2021:
Zweite Runde des Seminarmatchings

Themen

Im Rahmen der Präsidentschaftswahl 2016 in den USA wurde Stimmen laut, die von einer Einflussnahme auf die Präsidentschaftswahl mit Hilfe sogenannter Social Bots sprachen. Das Phänomen der Social Bots ist nicht neu. Auch in anderen Kontexten wurden Social Bots bereits verwendet, um die Meinung von Menschen zu beeinflussen.

Im Rahmen der Seminararbeit soll ein strukturierter Überblick über Social Bots und deren Einsatz gegeben werden. Anschließend soll kritisch eingeordnet werden, inwieweit es möglich ist mit solchen Social Bots tatsächlich die Meinungen von Menschen zu beeinflussen.

Literaturhinweise:

  • Bessi A. and Ferrara E. (2016) “Social Bots Distort the 2016 US Presidential Election Online Discussion”
  • Suárez-Serrato P., Roberts M.E., Davis C., Menczer F. (2016) “On the Influence of Social Bots in Online Protests”

Immer öfters werden Kunden im Internet von Chatbots aber auch in Filialen vor Ort von Robotern anstelle von menschlichen Mitarbeitern betreut. Doch können diese menschlich wirkenden Maschinen tatsächlich echte Kundenbetreuung ersetzen? Und wie reagieren die Nutzer darauf?

Im Rahmen der Seminararbeit soll ein strukturierter Überblick über die Funktionsweise und den Einsatz von Chatbots gegeben werden. Anschließend soll kritisch bewertet werden, inwieweit Chatbots in der Lage sind menschliche Mitarbeiter im Kundenservice zu ersetzen.

Immer öfters werden Kunden im Internet von Chatbots aber auch in Filialen vor Ort von Robotern anstelle von menschlichen Mitarbeitern betreut. Doch können diese menschlich wirkenden Maschinen tatsächlich echte Kundenbetreuung ersetzen? Und wie reagieren die Nutzer darauf?

Im Rahmen der Seminararbeit soll ein strukturierter Überblick über die Funktionsweise von Chatbots gegeben werden. Anschließend sollen anhand aktueller Forschungsergebnisse Kriterien herausgearbeitet werden, welche für den erfolgreichen Einsatz von Chatbots erfüllt werden müssen.

Immer öfters werden Kunden im Internet von Chatbots aber auch in Filialen vor Ort von Robotern anstelle von menschlichen Mitarbeitern betreut. Doch können diese menschlich wirkenden Maschinen tatsächlich echte Kundenbetreuung ersetzen? Und wie reagieren die Nutzer darauf?

Im Rahmen der Seminararbeit soll ein strukturierter Überblick über den Einsatz von humanoiden Service-Robotern gegeben werden. Anschließend beleuchtet werden, in welchen Einsatzszenarien und unter welchen Voraussetzungen humanoide Roboter in der Lage sind menschliche Service-Mitarbeiter zu ersetzen.

Es gibt nur eine Handvoll Websites, die häufiger aufgerufen werden als Wikipedia. Millionen von Nutzern aus allen Länder der Welt informieren sich auf Wikipedia über eine große Bandbreite an Themen. Alleine die deutsche Wikipedia besteht aus mehr als 2.5 Million Artikeln. Dieser Erfolg von Wikipedia basiert insbesondere auf dem kollaborativen Ansatz, bei dem (fast) jeder alle Artikel einfach bearbeiten kann und die Änderungen direkt für alle sichtbar sind. Dies führt allerdings dazu, dass die Qualität von Wikipedia Artikeln häufig kritisiert wird.

Im Rahmen der Seminararbeit soll ein strukturierter Überblick über die wissenschaftliche Literatur zu Datenqualität in Wikipedia und dem Wikipedia internen Notensystem für Artikel gegeben werden. Anschließend soll näher beleuchtet werden inwiefern Machine Learning Methoden automatisiert in der Lage sind, Artikel zu benoten.

Literaturhinweis:

  • Dang, Q.-V. and Ignat, C.-L. (2017) "An end-to-end learning solution for assessing the quality of Wikipedia articles,"

Es gibt nur eine Handvoll Websites, die häufiger aufgerufen werden als Wikipedia. Millionen von Nutzern aus allen Länder der Welt informieren sich auf Wikipedia über eine große Bandbreite an Themen. Alleine die deutsche Wikipedia besteht aus mehr als 2.5 Million Artikeln. Dieser Erfolg von Wikipedia basiert insbesondere auf dem kollaborativen Ansatz, bei dem (fast) jeder alle Artikel einfach bearbeiten kann und die Änderungen direkt für alle sichtbar sind. Dies führt allerdings dazu, dass die Qualität von Wikipedia Artikeln häufig kritisiert wird.

Im Rahmen der Seminararbeit soll ein strukturierter Überblick über die wissenschaftliche Literatur zu Datenqualität in Wikipedia insbesondere in kontroversen Artikeln gegeben werden. Anschließend soll näher beleuchtet werden inwiefern Machine Learning Methoden automatisiert in der Lage sind, kontroverse Artikel zu erkennen

Literaturhinweis:

  • Zielinski, K., Nielek, R., Wierzbicki, A. and Jatowt, A. (2018) "Computing controversy: Formal model and algorithms for detecting controversy on Wikipedia and in search queries"

Es gibt nur eine Handvoll Websites, die häufiger aufgerufen werden als Wikipedia. Millionen von Nutzern aus allen Länder der Welt informieren sich auf Wikipedia über eine große Bandbreite an Themen. Alleine die deutsche Wikipedia besteht aus mehr als 2.5 Million Artikeln. Dieser Erfolg von Wikipedia basiert insbesondere auf dem kollaborativen Ansatz, bei dem (fast) jeder alle Artikel einfach bearbeiten kann und die Änderungen direkt für alle sichtbar sind. Dies führt allerdings dazu, dass die Qualität von Wikipedia Artikeln häufig kritisiert wird.

Im Rahmen der Seminararbeit soll ein strukturierter Überblick über die wissenschaftliche Literatur zu Datenqualität in Wikipedia insbesondere welche Qualitätsdimensionen und Standards besonders wichtig sind. Anschließend soll näher beleuchtet werden inwiefern automatisierte Methoden in der Lage sind Datenqualitätsdefekte zu messen.

Literaturhinweis:

  • M. Mesgari, C. Okoli, M. Mehdi, F. Å. Nielsen, and A. Lanamäki (2015) "“The sum of all human knowledge”: A systematic review of scholarly research on the content of Wikipedia"

Künstliche Intelligenz wird schon heute in vielen, teilweise sensiblen Bereichen eingesetzt. Ein wichtiges Kriterium für die Akzeptanz von Künstlicher Intelligenz ist deren Fairness. Jedoch kommt es genau hierbei häufiger zu Problemen, da aufgrund des Black-Box Charakters von künstlicher Intelligenz, die Entscheidungsgrundlage der Künstlichen Intelligenz nicht per se erkennbar ist. Ob im Einsatz bei der Polizei oder zur Überprüfung von Bewerbungen, immer wieder wird festgestellt, dass eine Künstliche Intelligenz diskriminierend handelt.

Im Rahmen der Seminararbeit soll ein Überblick über die Gründe von diskriminierenden KI-Entscheidungen gegeben werden. Anschließend sollen Methoden beleuchtet werden, die dabei helfen können Künstliche Intelligenz fair zu gestalten und diskriminierende Entscheidungen zu verhindern.

Adversarial Attacks sind für den Menschen meist unsichtbare oder kaum wahrnehmbare Veränderungen an dem Input einer künstlichen Intelligenz, die das Klassifikationsergebnis ändern. So wird zum Beispiel zu einem Bild einer Katze nur ein wenig Rauschen hinzugefügt, sodass eine künstliche Intelligenz das Bild dann als Pinguin klassifiziert. In der Praxis können solche Attacken fatale Folgen haben. So ist es beispielweise möglich ein selbstfahrendes Auto so zu täuschen, dass Geschwindigkeitsbegrenzungen nicht mehr erkannt werden oder sogar Fußgänger übersehen werden

Im Rahmen der Seminararbeit soll ein Überblick über die wissenschaftliche Literatur zu Adversarial Attacks und ihre Funktionsweise gegeben werden. Anschließend sollen die Gefahren die von Adversarial Attacks ausgehen näher beleuchtet werden.

Adversarial Attacks sind für den Menschen meist unsichtbare oder kaum wahrnehmbare Veränderungen an dem Input einer künstlichen Intelligenz, die das Klassifikationsergebnis ändern. So wird zum Beispiel zu einem Bild einer Katze nur ein wenig Rauschen hinzugefügt, sodass eine künstliche Intelligenz das Bild dann als Pinguin klassifiziert. So ist es beispielweise möglich ein selbstfahrendes Auto so zu täuschen, dass Geschwindigkeitsbegrenzungen nicht mehr erkannt werden oder sogar Fußgänger übersehen werden

Im Rahmen der Seminararbeit soll ein Überblick über die wissenschaftliche Literatur zu Adversarial Attacks und ihre Funktionsweise gegeben werden. Anschließend sollen mögliche Lösungen aufgezeigt werden, um solche Adversarial Attacks zu erschweren und verhindern.

Donald Trump hat den Begriff Fake News geprägt. Allerdings steckt mehr dahinter als vermeintliche Falschmeldungen der Presse. Fake News werden bewusst und gezielt in sozialen Netzwerken gestreut, um etwa Wahlen zu gewinnen oder den Umsatz zu steigern. Während aktuell viel über Fake News in Textform diskutiert wird, zeigt sich eine neue Gefahr. Mit Hilfe von Artificial Intelligence (AI) können Bilder und Videos für Menschen mit bloßem Auge unerkennbar gefälscht werden.

Im Rahmen der Seminararbeit soll ein strukturierter Überblick über mithilfe von AI generierter Fake News in Form von Bildern und Videos gegeben werden. Anschließend soll kritisch eingeordnet werden, inwieweit es möglich ist mit technischen Hilfsmitteln solche Deep Fakes zu entlarven und welche Gefahren Deep Fakes mit sich bringen.

Literaturhinweise:

  • Chesney, Bobby, et al. (2019) "Deep Fakes: A Looming Challenge for Privacy, Democracy, and National Security“
  • Rössler, Andreas et al. (2019) “FaceForensics++: Learning to Detect Manipulated Facial Images”

Dozierende

Prof. Dr. Mathias Klier, Institut für Business Analytics
Prof. Dr. Mathias Klier
Maximilian Förster, Institut für Business Analytics
Maximilian Förster
Philipp Hühn, Institut für Business Analytics
Philipp Hühn
Lars Moestue
Lars Moestue

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: SoSe 21

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