Abschluss­arbeiten

Offene Abschlussarbeiten am Institut für Business Analytics

Bachelorarbeiten (BA) und Masterarbeiten (MA) in Kooperation mit dem Institut für Business Analytics sind anders, als Sie es erwarten. Wir benötigen „Denker“ und „Macher“. Sie erhalten die Möglichkeit, Ihr erlerntes Wissen und erprobte Techniken zielgerichtet (teilweise direkt in Unternehmen) einzusetzen. Ein Mitarbeiter des IBA wird Sie fachlich und methodisch begleiten.

Professur für "Digital Business" - Prof. Dr. Steffen Zimmermann

  • Ökonomische Effekte/Konsumentenverhalten in digitalen P2P-Plattformen im Vergleich zu B2C-Plattformen (MA; ab sofort; Kontakt: Andrea Wrabel)
  • Die Entwicklung der Blockchain – Ein Vergleich zwischen Blockchain und digitaler Plattform (BA&MA; ab sofort; Kontakt: Stefan Napirata)
  • Regulierung von C2C Sharing Plattformen – Untersuchung der externen Effekte durch C2C Sharing Plattformen (BA&MA; ab sofort; Kontakt: Stefan Napirata)

Inhaltlich und methodisch werden die Themen individuell mit den Studierenden abgestimmt und konkretisiert. Die Anforderungen an die Themen variieren je nach Abschluss (Bachelor/Master). 

  • Digitale Bildung an Schulen - Ansätze zur Vermittlung digitaler Kompetenzen (BA&MA; ab sofort; Kontakt: Andrea Wrabel)
  • Einsatz von Gamification und Digital Nudging in der digitalen Bildung (BA&MA; ab sofort; Kontakt: Andrea Wrabel)

Inhaltlich und methodisch werden die Themen individuell mit den Studierenden abgestimmt und konkretisiert. Die Anforderungen an die Themen variieren je nach Abschluss (Bachelor/Master). 

  • Bewertung von digitalen Transformationsprogrammen (BA&MA; ab sofort; Kontakt: Stefan Napirata)

Inhaltlich und methodisch werden die Themen individuell mit den Studierenden abgestimmt und konkretisiert. Die Anforderungen an die Themen variieren je nach Abschluss (Bachelor/Master). 

  • The use of analytics in the health care sector - a literature review (BA&MA; ab sofort; Kontakt: Stefanie Erlebach)

Inhaltlich und methodisch werden die Themen individuell mit den Studierenden abgestimmt und konkretisiert. Die Anforderungen an die Themen variieren je nach Abschluss (Bachelor/Master). 

  • Text Mining und Kundenrezensionen - Analyse von Kundenrezensionen auf verschiedenen Plattformarten (MA; ab sofort; Kontakt: Andrea Wrabel)
  • Text Mining und Kundenrezensionen - Einfluss der Eigenschaften von Verfasser/Produkthersteller auf Kundenrezensionen (BA&MA; ab sofort; Kontakt: Andrea Wrabel)
  • Gaining insights into customer reviews from topic modeling (BA&MA; ab sofort; Kontakt: Stefanie Erlebach)
  • Gaining insights into customer reviews from sentiment analysis (BA&MA; ab sofort; Kontakt: Stefanie Erlebach)
  • (Daten basierte) Marketing Attribution Modelle (BA&MA; ab sofort; Kontakt: Kilian Züllig)
  • Produktprofile basierend auf Online Customer Reviews (BA&MA; ab sofort; Kontakt: Kilian Züllig)
  • Kundenprofile basierend auf Online Customer Reviews (BA&MA; ab sofort; Kontakt: Kilian Züllig)
  • Multi-Channel Marketing – Auswirkungen einzelner Kanäle auf die Kaufentscheidung des Kunden? (BA&MA; ab sofort; Kontakt: Stefan Napirata)

Inhaltlich und methodisch werden die Themen individuell mit den Studierenden abgestimmt und konkretisiert. Die Anforderungen an die Themen variieren je nach Abschluss (Bachelor/Master). 

  • Online Recommendation Agents - Anwendungsfälle und Möglichkeiten (BA&MA; ab sofort; Kontakt: Stefanie Erlebach)
  • Recommender Systeme basierend auf Kundenrezensionen (BA&MA; ab sofort; Kontakt: Stefanie Erlebach)
  • Nutzerakzeptanz von Conversational Recommender Agents im Bereich e-Commerce (BA&MA; ab sofort; Kontakt: Stefanie Erlebach)
  • Nutzerakzeptanz von Conversational Recommender Agents im Gesundheitsbereich (BA&MA; ab sofort; Kontakt: Stefanie Erlebach)

Inhaltlich und methodisch werden die Themen individuell mit den Studierenden abgestimmt und konkretisiert. Die Anforderungen an die Themen variieren je nach Abschluss (Bachelor/Master). 

Péter-Horváth-Stiftungsprofessur für "Informationsmanagement" - Prof. Dr. Mathias Klier

Kurzbeschreibung:

Eine aktuelle Studie der Bertelsmann-Stiftung zeigt, dass in Deutschland mehr als drei Viertel der Befragten vollautomatisierte Entscheidungen ablehnen, während nur 31 Prozent der Bevölkerung darin Chancen erkennen. Auf der anderen Seite werden intelligente Systeme in vielen Alltagsbereichen (beispielweise in der medizinischen Diagnostik oder bei der Beurteilung der Kreditwürdigkeit) bereits erfolgreich eingesetzt und gewinnen in der Praxis zunehmend an Bedeutung. Daher ist es insbesondere für Unternehmen, die intelligente Systeme einsetzen, unausweichlich, deren Akzeptanz bei ihren Kunden und Verbrauchern zu erhöhen. Hierzu ist nicht in erster Linie „Algorithmentransparenz“ gefragt, wie sie seit einiger Zeit von der Politik diskutiert und gefordert wird. Die Lösung sind vielmehr für Laien verständliche Erklärungen, welche die von künstlichen Intelligenzen im Einzelfall getroffenen Entscheidungen nachvollziehbar und verständlich machen.

Mögliche Themen:

  • Interaktive Erklärungen für AnwenderInnen von Künstlicher Intelligenz (BA/MA; Kontakt: Maximilian Förster, Philipp Hühn)
  • Erklärbare Künstliche Intelligenz aus informationstheoretischer Sicht (BA/MA; Kontakt: Maximilian Förster, Philipp Hühn)
  • Entwicklung und Implementierung von Erklärbarer Künstlicher Intelligenz (MA; Kontakt: Maximilian Förster, Philipp Hühn)
  • Vermittlung von AI Literacy mit Erklärbarer Künstlicher Intelligenz (BA/MA; Kontakt: Maximilian Förster)
  • Nutzerakzeptanz von und Interaktion mit Explainable Artificial Intelligence (BA/MA; Kontakt: Marie Walter)
  • Einsatz von Explainable Artificial Intelligence anhand realer Anwendungsfälle  insb. in der digitalen Bildung (BA/MA; Kontakt: Marie Walter)
  • Einsatz von Explainable Artificial Intelligence anhand realer Anwendungsfälle  insb. im Gesundheitswesen (BA/MA; Kontakt: Marie Walter)
  • Einsatz von Explainable Artificial Intelligence anhand realer Anwendungsfälle  insb. in der öffentlichen Verwaltung (BA/MA; Kontakt: Marie Walter)
  • Nutzerzentrierung von Erklärbarer Künstlicher Intelligenz (BA; Kontakt: Philipp Hühn)
  • Fairness und Bias in KI-Systemen (BA/MA; Kontakt: Julia Brasse)

Inhaltlich und methodisch werden die Themen individuell mit den Studierenden abgestimmt und konkretisiert. Die Anforderungen an die Themen variieren je nach Abschluss (Bachelor/Master). 

Kurzbeschreibung:

Im Zuge der Digitalisierung stehen Organisationen heutzutage sehr umfangreiche und immer weiter wachsende Mengen an Daten zur Verfügung (Stichwort: „Big Data“). Allerdings zeigt die Empirie, dass die analysierten und genutzten Daten häufig durch eine geringe Datenqualität charakterisiert sind – selbst in unternehmensinternen Kundendatenbanken sind durchschnittlich ca. 30% der gespeicherten Datenwerte nicht korrekt. Auf diese Weise entstehen bspw. für ein durchschnittliches amerikanisches Unternehmen jährlich Mehrkosten in Höhe von 15 Millionen Dollar. Mangelnde Datenqualität stellt allerdings nicht nur in Unternehmen ein großes Problem dar – auch in Politik und Gesellschaft steigt in Zeiten von „Fake News“ der Bedarf an zuverlässigen Informationen. Deshalb werden quantitative Methoden zur Messung, Steuerung und Verbesserung der Datenqualität benötigt.

Mögliche Themen:

  • What doesn’t get measured doesn’t get managed: Entwicklung von Metriken der Datenqualität (BA/MA; Kontakte: Andreas Obermeier, Lars Moestue, Torben Widmann)
  • Datenqualität in IoT-Daten: Überblick & Metriken einzelner Datenqualitätsdimensionen (BA/MA; Kontakte: Andreas Obermeier, Torben Widmann)
  • Datenqualität in Wikis & unstrukturierten Daten: Überblick & Metriken einzelner Datenqualitätsdimensionen (BA/MA; Kontakte: Andreas Obermeier, Lars Moestue)
  • Nutzung von Text Mining zur Bestimmung von Datenqualitätsdefekten in Wikis (MA; Kontakt: Lars Moestue)
  • Einfluss von Datenqualitätsdefekten auf die Performance von Künstlicher Intelligenz (BA/MA; Kontakte: Lars Mostue, Torben Widmann)
  • Uncertain Machine Learning: Einbeziehung von Unsicherheit bei Methoden der Künstlichen Intelligenz (BA/MA; Kontakte: Andreas ObermeierTorben Widmann)

Kurzbeschreibung:

Informationssysteme und insbesondere soziale Medien (z.B. Online Social Networks, Wikis, Bewertungs- und Rezensions-Communities oder Diskussionsforen) sind inzwischen ein fester Bestandteil unserer Gesellschaft. Sie erlauben es, Teile der Wertschöpfung wie bspw. die Produktentwicklung, den Vertrieb, die Markenbildung und den Service zusammen mit Marktteilnehmern verteilt und digitalisiert durchzuführen. Auch unternehmensintern können Social Media einen wertvollen Beitrag leisten – bspw. durch einen verbesserten Informations- und Wissensaustausch in Enterprise Social Networks. Dabei kommt insbesondere der Frage nach einer Quantifizierung der in Social Media auftretenden Netzwerkeffekte in Wissenschaft und Praxis eine sehr große Bedeutung zu. Zusätzlich stehen Unternehmen durch soziale Medien und das Internet enorme Datenmengen in strukturierter (bspw. Beziehungen zwischen Netzwerkakteuren) oder unstrukturierter Form (bspw. Textinhalt von Tweets) zur Verfügung. Die zielgerichtete und fundierte Analyse dieser Daten mittels automatisierter Verfahren aus den Bereichen Social Network Analysis und Text Mining ermöglicht Unternehmen eine verbesserte Entscheidungsunterstützung und birgt großes Potenzial, bspw. im Customer Relationship Management.

Mögliche Themen:

  • Gesellschaftlicher Mehrwert (Chancen und Risiken) digitaler Informationssysteme (BA/MA; Kontakt: Marie Walter)
  • Gesellschaftlicher Mehrwert gemeinnütziger digitaler Plattformen (BA/MA; Kontakt: Maximilian Förster)
  • KI als Assistenz und Berater für Menschen (BA/MA; Kontakt: Maximilian Förster)
  • Einsatz digitaler Bildung im Schulwesen zur Vermittlung digitaler Kompetenzen: Ansätze und Anwendungsfälle (BA/MA; Kontakt: Marie Walter)
  • Einsatz digitaler Bildung als „lebenslanges Lernen“ zur Aus- und Weiterbildung digitaler Kompetenzen: Ansätze und Anwendungsfälle (BA/MA; Kontakt: Marie Walter)
  • Einsatz digitaler Bildung zur gesellschaftlichen Integration mithilfe digitaler Kompetenzen: Ansätze und Anwendungsfälle (BA/MA; Kontakt: Marie Walter)

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:

  • ML im Sport – Ist es möglich Resultate von Sportevents mittels Machine Learning vorherzusagen (BA/MA; Kontakte: Lars Mostue, Torben Widmann)
  • 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: Torben Widmann)
  • Informations-Extraktion aus Bilddaten (MA; Kontakt: Torben Widmann)
  • Entwicklung einer datengesteuerten Entscheidungsfindung (MA; Kontakt: Torben Widmann)

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, Philipp Hühn)
  • Natural Language Generation – Systeme zur Automatisierung des Customer Service (BA/MA; Kontakt: Philipp Hühn)

 

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: Lars Mostue)
  • Erstellung von Future Skills Listen aus Stellenanzeigen mit Hilfe von Machine Learning Methoden (MA; Kontakt: Lars Mostue)
  • Automatiserte Erkennung emergenter Skills mit Hilfe von Machine Learning Methoden (BA/MA; Kontakt: Lars Moestue)
  • Zeitreihenanalysen von Future Skills (BA/MA; Kontakt: Philipp Hühn)

Professur für "Wertschöpfungs- und Netzwerkmanagement" - Prof. Dr. Mischa Seiter

Forschungsfrage: Wie kann ein funktionsfähiger Inkubator mit kleinstmöglichem Aufwand konzeptioniert werden (Minimum Viable Incubator)?

Hintergrund:

Unternehmen initiieren spezialisierte Unternehmenseinheiten (Corporate Incubators) zur Entwicklung von Innovationen, die schließlich in einem marktfähigen Produkt/Dienstleistung resultieren. Ein Inkubator schafft im Unternehmen ein Umfeld, in dem die eigenen Mitarbeiter innovative Ideen innerhalb eines kurzen Zeitraums entwickeln (Latouche 2019). Den Mitarbeitern werden in diesem Umfeld unterschiedliche Ressourcen wie innovationsfördernde Räumlichkeiten, Kapital oder Zugang zu verschiedenen Dienstleistungen zur Verfügung gestellt (Bone et al. 2017; Becker und Gassmann, 2006; Phan et al. 2005).

Ziele der Arbeit:

  1. Literaturreview zur Identifikation geeigneter Bewertungskriterien für den erfolgreichen Einsatz von Inkubatoren.

  2. Interviews mit Personen, die an Inkubatorprogrammen teilgenommen haben (IPRI unterstützt bei der Akquise von Interviewpartnern; Ziel: min. 10 Interviews).

  3. Konzeptionierung eines „Minimum Viable Incubators“ unter Berücksichtigung der wichtigsten Funktionen und Anforderungen (Ressourcen, Services etc.).

Voraussetzungen:

  • Selbständiges, zuverlässiges und gewissenhaftes Arbeiten
  • Interesse am Innovationsmanagement

Einstiegsliteratur:

  • Latouche, P. (2019). Open Innovation: Corporate Incubator. John Wiley & Sons.

  • Bone, J., Allen, O., & Haley, C. (2017). Business Incubators and accelerators: the national picture (No. 2017/7). BEIS Research paper.

  • Becker, B., & Gassmann, O. (2006). Gaining leverage effects from knowledge modes within corporate incubators. R&d Management, 36(1), S. 1-16.

  • Phan, P. H., Siegel, D. S., & Wright, M. (2005). Science parks and incubators. Journal of business venturing, 20(2), S. 165-182.

Bei Interesse wenden Sie sich bitte an Fabian Fritzsche (fabian.fritzsche(at)uni-ulm.de).

Forschungsfrage: Was sind KMU-relevante 5G-Anwendungsfälle für produzierende Unternehmen?

Hintergrund:

5G bietet dem verarbeitenden Gewerbe eine drahtlose, schnelle und sichere Übertragungstechnologie mit hoher Reichweite, geringer Latenz und der Anbindungsmöglichkeit einer Vielzahl von Endgeräten. Durch die einzigartigen Leistungsparameter von 5G werden Anwendungsfälle bisheriger Technologien (s. Kapitel 1) verbessert. Gleichzeitig entstehen Möglichkeiten für neue innovative Anwendungsszenarien. Bei 5G-Avantgardes (meist Großkonzerne, Kommunen und Forschungseinrichtungen) sind bereits sowohl Anwendungsfälle identifiziert bzw. entwickelt als auch umgesetzt worden. Diese sind KMU aber oftmals nicht bekannt bzw. haben wenig KMU-Relevanz.

Ziele der Arbeit:

  1. Systematischer Literaturreview und Interviews zur Identifikation von 5G-Anwendungsfällen (sowohl Verbesserugen von Anwendungsfälle, die bisher mit anderen Technologien umgesetzt werden als auch neu entstehende)

  2. Entwicklung von Aspekten der KMU-Relevanz und Ableitung von KMU-relevanten 5G-Anwendungsfällen

Voraussetzungen:

  • Selbständiges, zuverlässiges und gewissenhaftes Arbeiten
  • Begeisterung und Interesse für qualitative Forschung
  • Strukturiertes und analytisches Vorgehen

Einstiegsliteratur:

  • Grotepass, J., Eichinger, J., Voigtländer, F. (2019): Mit 5G zu neuen Potentialen in Produktion und Logistik
  • Lindner, D. (2019): KMU im digitalen Wandel
  • Bentkus, A. (2019): 5G for Automation in Industry. Primary use cases, functions and service requirements

Bei Interesse wenden Sie sich bitte an Fabian Fritzsche (fabian.fritzsche(at)uni-ulm.de).

Forschungsfrage: Welche Auswirkungen hat 5G auf Geschäftsmodelle produzierender Unternehmen?

Hintergrund:

5G bietet dem verarbeitenden Gewerbe eine drahtlose, schnelle und sichere Übertragungstechnologie mit hoher Reichweite, geringer Latenz und der Anbindungsmöglichkeit einer Vielzahl von Endgeräten. Durch neue Technologien entstehen neue Märkte und Geschäftsmodelle und es entstehen neue Möglichkeiten der Wertschöpfung und Wertsteigerung. Bisher hatten verschiedene Technologien bedeutende Auswirkungen auf Geschäftsmodelle (z. B. Smart Services basierend auf Smart Products). 5G ist eine Technologie, deren Auswirkung auf Geschäftsmodelle bisher weitestgehend unklar ist.

Ziele der Arbeit:

  1. Systematischer Literaturreview und Interviews zur Aufarbeitung der Auswirkungen von 5G auf Geschäftsmodelle von KMU.

  2. Analyse der Entwicklung bestehender Geschäftsmodelle von KMU (welche Geschäftsmodelle können durch 5G verbessert werden, welche Geschäftsmodelle werden durch 5G weniger attraktiv oder obsolet?)

Voraussetzungen:

  • Selbständiges, zuverlässiges und gewissenhaftes Arbeiten
  • Begeisterung und Interesse für qualitative Forschung
  • Strukturiertes und analytisches Vorgehen

Einstiegsliteratur:

  • Grotepass, J., Eichinger, J., Voigtländer, F. (2019): Mit 5G zu neuen Potentialen in Produktion und Logistik
  • Bentkus, A. (2019): 5G for Automation in Industry. Primary use cases, functions and service requirements
  • Becker, W., Eierle, B., Fliaster, A., Ivens, B., Leischnig, A., Pflaum, A., Sucky, E (2019): Geschäftsmodelle in der digitalen Welt

Bei Interesse wenden Sie sich bitte an Fabian Fritzsche (fabian.fritzsche(at)uni-ulm.de).

Forschungsfrage: Wie ist der Stand der empirischen Forschung auf dem Feld des Interorganisational Management Accounting und Control?

Hintergrund:

Unternehmen besitzen eine komplexe Organisationsstruktur. Die Steuerung von Unternehmens-netzwerken ist von großer Relevanz für den Erfolg solcher Netzwerke und hat daher einen hohen Stellenwert auf der internationalen Forschungsagenda. Zahlreiche Forschungsarbeiten untersuchen verschiedenste Netzwerktypen, Steuerungssysteme und -instrumente mit unterschiedlicher Methodik sowie theoretischem Bezugsrahmen. Bis dato fehlt es jedoch an einem Überblick über die in der Interorganisational Management Accounting und Control Literatur untersuchten Konstrukte sowie deren Ursache-Wirkungs-Zusammenhänge. Ziel der Arbeit ist deshalb die Analyse der empirischen Interorganisational Management Accounting und Control Forschung sowie deren grafische Darstellung in Form von Ursache-Wirkungs-Landkarten. Es soll ein kompakter, visueller Überblick über das vielfältige Forschungsgebiet erarbeitet und auf dessen Basis Forschungslücken identifiziert werden.

Ziele der Arbeit:

  1. Identifikation relevanter Publikationen in den sechs führenden Management Accounting und Control Fachzeitschriften (AOS, CAR, JAE, JAR, JMAR, TAR) anhand der Kriterien nach Luft & Shields (2003, S. 172-173).
  2. Individuelle grafische Darstellung jeder Publikation und anschließend gruppierte Modellierung der Ursache-Wirkungs-Landkarten anhand der Leitfragen: Was wurde untersucht (Variablen)? Was ist das Kausalmodell? Was ist die Analyseebene?
  3. Identifikation von Forschungslücken anhand der Ursache-Wirkungs-Landkarten

Voraussetzungen:

  • Selbständiges, zuverlässiges und gewissenhaftes Arbeiten
  • Begeisterung und Interesse für Management Accounting und Control

Einstiegsliteratur:

  • Caglio, A., & Ditillo, A. (2008): A review and discussion of management control in inter-firm relationships: Achievements and future directions. In: Accounting, Organizations and Society, 33(08), 865–898.
  • Hakansson, H., & Lind, J. (2007). Accounting in an Interorganizational Setting. In: Handbook of Management Accounting Research, 2, 885–902.
  • Luft, J., & Shields, M. D. (2003). Mapping management accounting: graphics and guidelines for theory-consistent empirical research. Accounting, Organizations and Society, 28, 169–249.

Bei Interesse wenden Sie sich bitte an Fabian Fritzsche (fabian.fritzsche(at)uni-ulm.de).

Forschungsfrage: Wie können Plattformen mit Fake Reviews umgehen?

Hintergrund:

Online-Reviews auf Plattformen wie Amazon bieten Nutzern Informationen über bisherige Transaktionen von Produkten, Dienstleistungen oder Anbietern und helfen ihnen diese zu vergleichen und auszuwählen (Teubner, 2018). Plattformen stehen dabei vor der Herausforderung, dass häufig falsche Bewertungen, sogenannten Fake Reviews abgegeben werden. Beispielsweise sind 16% der Reviews auf Yelp (Luca und Zervas, 2016) und 20% der Reviews auf TripAdvisor (Schuckert et al., 2016) manipuliert. Ziel der Arbeit ist es, verschiedene Formen von Fake Reviews zu identifizieren und anhand einer systematischen Literaturanalyse Ansätze zur Identifikation und Vermeidung von Fake Reviews zu erarbeiten und vergleichen.

Ziele der Arbeit:

  1. Identifikation verschiedener Arten von Fake Reviews
  2. Erarbeitung von Methoden zur Identifikation von Fake Reviews

Voraussetzungen:

  • Selbständiges, zuverlässiges und gewissenhaftes Arbeiten
  • Begeisterung und Interesse für Online Reviews
  • Strukturiertes und analytisches Vorgehen

Einstiegsliteratur:

  • Liu, W. et al. (2019): A Method for the Detection of Fake Reviews Based on Temporal Features of Reviews and Comments
  • Li, Y. et al. (2020): Detection of Fake Reviews Using Group Model
  • Luca, M., & Zervas, G. (2016). Fake it till you make it: Reputation, competition, and Yelp review fraud.
  • Schuckert, M., Liu, X., & Law, R. (2016). Insights into suspicious online ratings: Direct evidence from tripadvisor.
  • Teubner, T. (2018). The web of host–guest connections on airbnb: A network perspective.

Bei Interesse wenden Sie sich bitte an Fabian Fritzsche (fabian.fritzsche(at)uni-ulm.de).

Forschungsfrage: Welche Forschungsfelder existieren im Bereich der Feedbacksysteme von digitalen Plattformen?

Hintergrund:

Digitale Plattformen sind eines der aktuell erfolgreichsten Geschäftsmodelle und verändern den Wettbewerb ganzer Branchen (Parker et al. 2016). Digitale Plattformen stellen die digitale Infrastruktur zur Verfügung, über die mindestens zwei Marktseiten, Anbieter und Nachfrager, vernetzt werden (Van Alstyne et al. 2016). Erfolgsentscheidend für eine digitale Plattform ist das Ermöglichen von externen Interaktionen. Aufgrund der fehlenden persönlichen Interaktion auf digitalen Plattformen, ist das Vertrauen im Vergleich zu traditionellen Märkten geringer (Chen et al. 2017). Ein zentraler Steuerungsmechanismus, um Vertrauen zu schaffen, ist das Feedbacksystem (Bolton et al. 2013). In der Literatur gibt es verschiedene Forschungsfelder zu Feedbacksystemen, wie Auswirkungen auf den wirtschaftlichen Erfolg (bspw. Resnick et al. 2006) oder dysfunktionale Effekte (Gutt et al. 2019). Bislang fehlt jedoch ein Überblick über die Forschungsfelder von Feedbacksystemen.

Ziele der Arbeit:

  1. Systematische Literaturanalyse von Feedbacksystemen digitaler Plattformen
  2. Identifikation relevanter Forschungsfelder von Feedbacksystemen

Voraussetzungen:

  • Selbständiges, zuverlässiges und gewissenhaftes Arbeiten
  • Begeisterung und Interesse für Feedbacksysteme digitaler Plattformen
  • Strukturiertes und analytisches Vorgehen

Einstiegsliteratur:

  • Bolton, G., Greiner, B., und Ockenfels, A. (2013). Engineering trust: Reciprocity in the production of reputation information. Management Science, 59(2), 265–285.
  • Chen, L., Jiang, T., Li, W., Geng, S., und Hussain, S. (2017). Who should pay for online reviews? Design of an online user feedback mechanism. Electronic Commerce Research and Applications, 23, 38–44.
  • Gutt, D., Neumann, J., Zimmermann, S., Kundisch, D., und Chen, J. (2019). Design of review systems: A strategic instrument to shape online reviewing behavior and economic outcomes. The Journal of Strategic Information Systems, 28(2), 104–117.
  • Parker, G. G., Van Alstyne, M. W., und Choudary, S. P. (2016), Platform revolution: How networked markets are transforming the economy and how to make them work for you. 
  • Resnick, P., Zeckhauser, R., Swanson, J., und Lockwood, K. (2006). The value of reputation on eBay: A controlled experiment. Experimental economics, 9(2), 79-101.
  • Van Alstyne, M. W., Parker, G. G., und Choudary, S. P. (2016), Pipelines, platforms, and the new rules of strategy.

Bei Interesse wenden Sie sich bitte an Fabian Fritzsche (fabian.fritzsche@uni-ulm.de).