Seminar Business Analytics (Bachelor)

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

Themen

Subscription Modelle können als Weiterentwicklung klassischer Abonnementmodelle betrachtet werden und sind derzeit vor allem im B2C-Bereich zu finden. Bekannte Beispiele hierfür sind Spotify und Netflix. Auch in der produzierenden Industrie werden Subscription Geschäftsmodelle immer wichtiger, wobei die Einführung des Geschäftsmodells im B2B-Bereich mit bestimmten Risiken verbunden ist. Ein Beispiel hierfür ist der Triebwerkhersteller Rolls Royce, der mit dem Angebot Total Care ein Subscription Modell für seine Triebwerke betreibt. Dabei werden nicht die Triebwerke verkauft, sondern die Leistung, Flugzeuge durch die Luft zu bewegen. Das Triebwerk bleibt im Besitz von Rolls Royce und das Unternehmen übernimmt für die gesamte Lebensdauer des Triebwerks die Überwachung, Wartung und Reparatur. Ziel der Arbeit ist es, Subscription Geschäftsmodelle und deren Charakteristika herauszuarbeiten sowie die für Unternehmen einhergehenden Risiken zu identifizieren und darauf aufbauend das Subscription Geschäftsmodell von Rolls Royce (Total Care) zu analysieren.

Einführende Literatur:

  • Janzer, A.: Subscription Marketing. Strategies for Nurturing Customers in a World of Churn.
  • Tzuo, T.: Subscribed. Why the subscription model will be your company‘s future - and what to do about it.
  • Manu, A. (2017): Transforming Organizations for the Subscription Economy: Starting from Scratch.
  • Kalka, R.; Leven, M. (2020): Abo-Modelle in der Automobilbranche aus Kundensicht.
  • Cachon, G.; Feldman, P. (2011): Pricing services subject to congestion: charge per-use fees or sell subscriptions?

Subscription Modelle können als Weiterentwicklung klassischer Abonnementmodelle betrachtet werden und sind derzeit vor allem im B2C-Bereich zu finden. Bekannte Beispiele hierfür sind Spotify und Netflix. Auch in der produzierenden Industrie werden Subscription Geschäftsmodelle immer wichtiger, wobei die Einführung des Geschäftsmodells im B2B-Bereich mit bestimmten Risiken verbunden ist. Ein Beispiel hierfür ist das Subscription Modell der Deutschen Lichtmiete als Anbieter von LED-Beleuchtungskonzepten und bietet Light as a Service. Dabei bezahlen Kunden einen vom Beleuchtungsbedarf abhängigen Preis und bekommt dafür die Planung, die Leuchten, die Installation und den Service mit Wartung und Reinigung von der Deutschen Lichtmiete. Ziel dieser Arbeit ist es, Subscription Geschäftsmodelle und deren Charakteristika sowie die für Unternehmen einhergehenden Risiken zu identifizieren und diese anhand des Beispiels der Deutschen Lichtmiete im B2B-Bereich herauszuarbeiten.

Einführende Literatur:

  • Janzer, A.: Subscription Marketing. Strategies for Nurturing Customers in a World of Churn.
  • Tzuo, T.: Subscribed. Why the subscription model will be your company‘s future - and what to do about it.
  • Manu, A. (2017): Transforming Organizations for the Subscription Economy: Starting from Scratch.
  • Kalka, R.; Leven, M. (2020): Abo-Modelle in der Automobilbranche aus Kundensicht.
  • Cachon, G.; Feldman, P. (2011): Pricing services subject to congestion: charge per-use fees or sell subscriptions?

Digital Add-ons stellen einen Baustein für IoT-Geschäftsmodelle (Internet of Things) dar. Es werde verschiedene digitale Services in der Aftersales-Phase eines physischen Produkts angeboten, die der Kunde dazubuchen bzw. freischalten kann. Ein bekanntes Beispiel hierfür stellt der Elektroautohersteller Tesla dar, der ein Softwareupdate für die Freischaltung des Autopilots anbietet. Für einen Preis von 10.000 Dollar können Tesla-Kunden dann das Full Self-Driving-Paket nutzen. In Zukunft soll es auch möglich sein, andere und auch zeitlich begrenzte Services zu buchen. Ziel der Arbeit ist es, die Charakteristika von Digital Add-ons herauszuarbeiten und die damit verbunden Chancen und Risiken zu analysieren, was durch Praxisbeispiele untermauert werden soll.

Einführende Literatur:

  • Weinberger, M.; Bilgeri, D.; Fleisch, E.(2016): IoT business models in an industrial context.
  • Härting, R. (2016): Industrie 4.0 und Digitalisierung – Innovative Geschäftsmodelle wagen.
  • Gassmann, O. et al. (2020): Geschäftsmodelle entwickeln: 55 innovative Konzepte mit dem St. Galler Business Model Navigator.

Durch die Digitalisierung generieren immer mehr Unternehmen eine Vielzahl an Daten. Diese Daten stellen einen Wert dar. Deshalb sind Datenmarktplätze entstanden, auf denen Daten gekauft und verkauft werden können. Die auf dem Marktplatz gehandelten Daten sind aus verschiedenen Quellen wie beispielsweise Social Media, Prozess- und Maschinen Data oder Open Data. Die auf den Marktplätzen ermöglichte Verknüpfung von verschiedenen Daten erleichtern die Nutzungsweise und ermöglichen den unternehmensübergreifender 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, den aktuellen Forschungsstand zu Datenmarktplätzen zu erarbeiten und anhand eines Fallbeispiels die Funktionsweise von Datenmarktplätzen zu analysieren, in dem das Beispiel anhand eines Business Model Canvas veranschaulicht und dadurch der Reifegrad der Plattform beurteilt wird.

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.

Chatbots sind computerbasierte Systeme, die mit einem Nutzer autonom und textbasiert in einen natürlichen Dialog treten können. Im B2C-Sektor werden bereits heute Chatbots im Pre- und After Sales des Kundenservices eingesetzt. Trotz der Potenziale sind im B2B- im Vergleich zum B2C-Kundenservice Chatbots bislang kaum verbreitet. Auch im Bereich Maschinenbau könnten zukünftig Chatbots für den B2B-Kundenservice eingesetzt werden. Das Ziel der Arbeit ist es, die Charakteristika von Chatbots herauszuarbeiten und Einsatzszenarien für Chatbots im Kundenservice im Bereich Maschinenbau zu entwickeln.

Einführende Literatur:

  • Borah, Bhriguraj; Pathak, Dhrubajyoti; Sarmah, Priyankoo; Som, Bidisha; Nandi, Sukumar (2019): Survey of Textbased Chatbot in Perspective of Recent TechnologiesBrandtzaeg, Petter Bae; Følstad, Asbjørn (2018): Chatbots: changing user needs and motivations. In: Interactions 25 (5).
  • Belanche, Daniel; Casaló, Luis V.; Flavián, Carlos; Schepers, Jeroen (2020): Service robot implementation: a theoretical framework and research agenda. In: The Service Industries Journal 40 (3-4)
  • Johnston, Robert; Jones, Peter (2004): Service productivity. In: Int J Productivity & Perf Mgmt 53 (3)
  • Schwendener, Sarah (2018): Technologie-Akzeptanz von Chatbots – Eine Anwendung des UTAUT-Modells.

5G stellt eine neue Mobilfunk-Technologie dar, welche als Nachfolger von 4G (LTE) den neuen Standard des mobilen Internets darstellten wird. Der Ausbau des 5G-Netzes, welcher derzeit in Deutschland und vielen weiteren Ländern erfolgt, dient als Grundlage für die Digitalisierung vieler Lebensbereiche und eine noch schnellere Übertragung mobiler Daten. Denn die 5G-Technologie ist bis zu 100 Mal schneller als LTE und macht somit Übertragungen in Echtzeit möglich. Dadurch können beispielsweise Produktionsprozesse automatisiert und autonomes Fahren ermöglicht werden, da hierfür eine Datenübertragung in Echtzeit notwendig ist. Das Ziel der Arbeit ist es, durch einen systematischen Literaturreview 5G-Anwendungsfälle zu identifizieren. Dabei sollen sowohl Verbesserungen von Anwendungen, die bisher mit anderen Technologien umgesetzt werden, als auch neu entstehende Anwendungen betrachtet werden.

Einführende Literatur:

  • Rajaneesh, Shetty (2021): 5G Mobile Core Network: Design, Deployment, Automation, and Testing Strategies.
  • Hemmings, Max (2021): 5G Networks.
  • Ruess, Patrick; Litauer, Rebecca (2021): 5G als Schlüsseltechnologie für mehr Nachhaltigkeit in der Logistik?: Ein Anwendungsfall zur Prozessinnovation im Kombinierten Verkehr. In: HMD Praxis der Wirtschaftsinformatik. 58(1):36-49

Bei der Klassifikationsanalyse werden Objekte verschiedenen Klassen und Kategorien zugeordnet. Die Zuordnungen geschehen durch Klasseneigenschaften und Objektmerkmale, die in den Datensätzen vorhanden sind. Dies soll mithilfe eines Decision Tree Learners durchgeführt werden. Dieser Ansatz wird in der Statistik, im Data Mining und im maschinellen Lernen verwendet, um von Beobachtungen über ein Element zu Schlussfolgerungen über den Zielwert des Elements zu gelangen. Hintergrund der Analyse ist der fiktive Hersteller für Bodenbeläge, die Bodenbelag GmbH. Das Unternehmen möchte neben A-Kunden auch solche fokussieren, die sich zukünftig zu A-Kunden entwickeln werden. Ziel der Arbeit ist es, durch eine Klassifikationsanalyse und einen Decision Tree Learner die Datensätze auszuwerten und Prognosen für zukünftige A-Kunden zu erstellen.

Im Rahmen der Seminararbeit sollen die jeweils verwendeten Verfahren kurz erläutert und anschließend der Fokus auf die selbstständige Anwendung gelegt werden. Dazu wird den Studierenden ein Datensatz zur Verfügung gestellt. Die gewonnenen statistischen Evidenzen sollen darüber hinaus interpretiert und darauf aufbauend mögliche Handlungsempfehlungen gegeben werden. Die Analysen sollen mit der freien Statistiksoftware R durchgeführt werden. Alternativ kann auch die Software KNIME verwendet werden.

Einführende Literatur:

  • Backhaus, K., Erichson, B., & Weiber, R. (2015). Fortgeschrittene multivariate Analysemethoden: eine anwendungsorientierte Einführung. Springer-Verlag.
  • Seiter, M. (2019). Business Analytics: wie Sie Daten für die Steuerung von Unternehmen nutzen. 2. Auflage. Vahlen.
  • Kazakov, D., Erten, C. (2020): Inductive Logic Programming. Springer-Verlag.
  • Maimon, O., Rokach, L. (2014): Data Mining With Decision Trees: Theory And Applications. World Scientific.

Clusteranalysen zielen darauf ab, Ähnlichkeiten in Datensätzen aufzudecken und einzelne Datenpunkte Gruppen zuzuordnen, die eine möglichst hohe interne Homogenität aufweisen. Hintergrund für die Analyse bildet der fiktive Hersteller von Produktionsmaschinen Bauche GmbH. Dabei sind für das Unternehmen Avantgardekunden von besonderem Interesse. Das heißt solche, die eine Vorreiterrolle einnehmen und sich damit vom restlichen Kundenfeld durch eine Besonderheit abheben. Ziel der Arbeit ist es, durch eine Clusteranalyse die Avantgardekunden der Bauche GmbH zu identifizieren, um einen tieferen Einblick in das Kundenfeld und in zukünftige Entwicklungen zu erhalten.

Im Rahmen der Seminararbeit sollen die jeweils verwendeten Verfahren kurz erläutert und anschließend der Fokus auf die selbstständige Anwendung gelegt werden. Dazu wird den Studierenden ein Datensatz zur Verfügung gestellt. Die gewonnenen statistischen Evidenzen sollen darüber hinaus interpretiert und darauf aufbauend mögliche Handlungsempfehlungen gegeben werden. Die Analysen sollen mit der freien Statistiksoftware R durchgeführt werden. Alternativ kann auch die Software KNIME verwendet werden.

Einführende Literatur:

  • Backhaus, K., Erichson, B., & Weiber, R. (2015). Fortgeschrittene multivariate Analysemethoden: eine anwendungsorientierte Einführung. Springer-Verlag.
  • Seiter, M. (2019). Business Analytics: wie Sie Daten für die Steuerung von Unternehmen nutzen. 2. Auflage. Vahlen.

Einflussfaktoranalysen werden verwendet, um auf Basis historischer Daten die Einflüsse für bestimmte Zustände zu ermitteln und diese in Zukunft zu verändern. Das soll mithilfe eines Decision Tree Learners durchgeführt werden. Dieser Ansatz wird in der Statistik, im Data Mining und im maschinellen Lernen verwendet, um von Beobachtungen über ein Element zu Schlussfolgerungen über den Zielwert des Elements zu gelangen. Hintergrund für die Analyse bietet der fiktive Maschinenbauer Bauche GmbH, der den Kundenservice für die verkauften Maschinen überprüfen möchte. Das Zufriedenheitsniveau der Kunden soll auf ein branchenübliches Niveau angehoben werden. Um Fehlinvestitionen zu vermeiden, möchte Bauche genauer untersuchen, wo geeignete Hebel zur Steigerung der Zufriedenheit liegen. Ziel der Arbeit ist es, durch die Analyse der Einflussfaktoren und eines Entscheidungsbaums herauszufinden, welche Faktoren für die schlechte Kundenzufriedenheit verantwortlich sind und wie diese in Zukunft verbessert werden kann.

Im Rahmen der Seminararbeit sollen die jeweils verwendeten Verfahren kurz erläutert und anschließend der Fokus auf die selbstständige Anwendung gelegt werden. Dazu wird den Studierenden ein Datensatz zur Verfügung gestellt. Die gewonnenen statistischen Evidenzen sollen darüber hinaus interpretiert und darauf aufbauend mögliche Handlungsempfehlungen gegeben werden. Die Analysen sollen mit der freien Statistiksoftware R durchgeführt werden. Alternativ kann auch die Software KNIME verwendet werden.

Einführende Literatur:

  • Backhaus, K., Erichson, B., & Weiber, R. (2015). Fortgeschrittene multivariate Analysemethoden: eine anwendungsorientierte Einführung. Springer-Verlag.
  • Kazakov, D., Erten, C. (2020): Inductive Logic Programming. Springer-Verlag.
  • Maimon, O., Rokach, L. (2014): Data Mining With Decision Trees: Theory And Applications. World Scientific.
  • Romeike, F., Hager, P. (2020): Erfolgsfaktor Risiko-Management 4.0: Methoden, Beispiele, Checklisten Praxishandbuch für Industrie und Handel. Springer-Verlag.
  • Seiter, M. (2019). Business Analytics: wie Sie Daten für die Steuerung von Unternehmen nutzen. 2. Auflage. Vahlen.
  • Wen, S., Zomaya, A., Yang, L. (2019): Algorithms and architectures for parallel processing. Springer-Verlag.

Unter Predictive Maintenance bzw. vorausschauender Wartung versteht man die Bestimmung und Prognose des Zustands von Ausstattung, wie beispielsweise dem Zustand eines Zahnrads in einer Produktionsmaschine. Mit Hilfe von Predictive Maintenance kann prognostiziert werden, wann ein Teil erneuert werden muss. Dadurch können Ersatzteile rechtzeitig geliefert werden, um Stillstandszeiten zu minimieren. Hintergrund der Analyse bildet der fiktive Automobilzulieferer Maier GmbH, der die Stillstandszeiten in der Produktion aufgrund von fehlenden Ersatzteilen verringern möchte. Ziel der Arbeit ist es, durch eine Predictive Maintenance Analyse herauszufinden, wann ein Teil erneuert werden muss.

Im Rahmen der Seminararbeit sollen die jeweils verwendeten Verfahren kurz erläutert und anschließend der Fokus auf die selbstständige Anwendung gelegt werden. Dazu wird den Studierenden ein Datensatz zur Verfügung gestellt. Die gewonnenen statistischen Evidenzen sollen darüber hinaus interpretiert und darauf aufbauend mögliche Handlungsempfehlungen gegeben werden. Die Analysen sollen mit der freien Statistiksoftware R durchgeführt werden. Alternativ kann auch die Software KNIME verwendet werden.

Einführende Literatur:

  • Backhaus, K., Erichson, B., & Weiber, R. (2015). Fortgeschrittene multivariate Analysemethoden: eine anwendungsorientierte Einführung. Springer-Verlag.
  • Niggemann, O., Maier, A., Beyerer, J. (2021): Machine Learning for Cyber Physical Systems. Springer-Verlag.
  • Seiter, M. (2019). Business Analytics: wie Sie Daten für die Steuerung von Unternehmen nutzen. 2. Auflage. Vahlen.
  • Tauterat, T. (2018): Verfahren zur Bewertung von Predictive Maintenance für Anbieter von Instandhaltungsdienstleistungen. Dissertation.

Eine Churn Analyse oder auch Abwanderungsanalyse beschreibt die Analyse des Kundenverhaltens in Bezug auf Kundenabwanderung, Abwanderungsgründe sowie die Ermittlung von Verbesserungspotentialen mit dem Ziel die Kundenbindung zu erhöhen. Die Churn Analyse kann mit Hilfe von neuronalen Netzwerken durchgeführt werden. Hintergrund für die Analyse bietet das fiktive Unternehmen Maier Versicherungen, das einen Kundenrückgang verzeichnet und deshalb die Kundenbindung erhöhen möchte. Um gezielte Maßnahmen einsetzen zu können, soll zunächst untersucht werden, welche Kunden wechselwillig sind. Ziel der Arbeit ist, anhand einer Churn-Analyse und neuralen Netzwerken die wechselwilligen Kunden zu identifizieren, um die Kundenbindung des Unternehmens gezielt steuern zu können.

Im Rahmen der Seminararbeit sollen die jeweils verwendeten Verfahren kurz erläutert und anschließend der Fokus auf die selbstständige Anwendung gelegt werden. Dazu wird den Studierenden ein Datensatz zur Verfügung gestellt. Die gewonnenen statistischen Evidenzen sollen darüber hinaus interpretiert und darauf aufbauend mögliche Handlungsempfehlungen gegeben werden. Die Analysen sollen mit der freien Statistiksoftware R durchgeführt werden. Alternativ kann auch die Software KNIME verwendet werden.

Einführende Literatur:

  • Backhaus, K., Erichson, B., & Weiber, R. (2015). Fortgeschrittene multivariate Analysemethoden: eine anwendungsorientierte Einführung. Springer-Verlag.
  • Seiter, M. (2019). Business Analytics: wie Sie Daten für die Steuerung von Unternehmen nutzen. 2. Auflage. Vahlen.
  • Tecklenburg, T. (2008): Churn-Management im B2B-Kontext: eine empirische Analyse unter Berücksichtigung von hierarchischen Kundenstrukturen und heterogenem Kundenverhalten. Springer-Verlag.
  • Walter, O. (2016): CRM für Online-Shops: make big data small: Erfolgreiches customer relationship management im e-commerce. Mitp-Verlag.

Unter Change Management werden Maßnahmen verstanden, die die Umsetzung neuer Strategien, Prozesse oder Verhaltensweisen unterstützen. Ein Ansatz für ein erfolgreiches Change Management ist die Einflussnahme über „Influencer“, das heißt gut vernetzte Mitarbeiter im Unternehmen. Hintergrund des Change Managements bildet der fiktive Maschinenbauer Bausch GmbH. Das Unternehmen möchte die Akzeptanz der Belegschaft für kollaborative Montagerobotern gewinnen und deshalb Influencer ausfindig machen, die dieses Vorhaben unterstützen. Ziel der Arbeit ist es, anhand einer Netzwerkanalyse Influencer zu identifizieren und durch diese das Change Management im Unternehmen durchzuführen.

Im Rahmen der Seminararbeit sollen die jeweils verwendeten Verfahren kurz erläutert und anschließend der Fokus auf die selbstständige Anwendung gelegt werden. Dazu wird den Studierenden ein Datensatz zur Verfügung gestellt. Die gewonnenen statistischen Evidenzen sollen darüber hinaus interpretiert und darauf aufbauend mögliche Handlungsempfehlungen gegeben werden. Die Analysen sollen mit der freien Statistiksoftware R durchgeführt werden. Alternativ kann auch die Software KNIME verwendet werden.

Einführende Literatur:

  • Backhaus, K., Erichson, B., & Weiber, R. (2015). Fortgeschrittene multivariate Analysemethoden: eine anwendungsorientierte Einführung. Springer-Verlag.
  • Gamper, M. (2019): Netzwerkanalyse – eine methodische Annäherung. Springer-Verlag.
  • Downs, A. (2012): Resistance to change as a positive influencer: an introduction. Journal of Organizational Change Management.
  • Seiter, M. (2019). Business Analytics: wie Sie Daten für die Steuerung von Unternehmen nutzen. 2. Auflage. Vahlen.

Dozierende

Prof. Dr. Mischa Seiter, Institut für Business Analytics
Prof. Dr. Mischa Seiter
Andreas Steur, Institut für Business Analytics
Andreas Steur

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: WiSe 21/22

Ort:  Online - alle weiteren Informationen auf Moodle

Termine: 

  • Abgabe der Seminararbeiten: 01.12.2021
  • Endpräsentation: 08.12.2021

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: B.Sc. Wirtschaftswissenschaften, B.Sc. Wirtschaftsphysik, B.Sc. Wirtschaftschemie, B.Sc. Wirtschaftsmathematik