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

  • Thema 1: Subscription Geschäftsmodelle am Beispiel Trumpf und Munich Re

    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 des Werkzeugmaschinenherstellers Trumpf und des Rückversicherers Munich Re, bei dem Kunden lediglich für die Nutzung der Maschine einen Preis je produziertem Blechteil bezahlen. Ziel der Arbeit ist es, Subscription Geschäftsmodelle und deren Charakteristika herauszuarbeiten und darauf aufbauend das Subscription Geschäftsmodell von Trumpf und Munich Re zu analysieren. Dabei sollen unter anderem mögliche Risiken aufgrund des geänderten Geschäftsmodells identifiziert werden.

    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?
  • Thema 2: Subscription Geschäftsmodelle am Beispiel Deutsche Lichtmiete

    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?
  • Thema 3: Digital Add-on

    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, einen Überblick über den aktuellen Stand der Forschung zu Digital Add-ons zu erarbeiten und wesentliche Komponenten eines solchen Geschäftsmodells anhand eines Business Model Canvas zu erarbeiten.

    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.
  • Thema 4: Datenmarktplätze

    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.
  • Thema 5: Objectives and Key Results

    Objectives and Key Results (OKR) ist ein durch Google bekannt gewordenes Managementsystem, das vor allem im operativen Bereich Anwendung findet. Es bildet ein Rahmenwerk für die lang- und kurzfristigen Ziele und die Zielsetzung (Objectives) sowie der Messung von Ergebniskennzahlen (Key Results). Dabei werden durch das OKR die einzelnen Aufgaben von Teams und Mitarbeitern mit der Unternehmensstrategie verknüpft. Dadurch werden die Priorisierungsfähigkeit sowie die Kommunikation und Transparenz im Unternehmen verbessert, die Leistung kann qualitativ und quantitativ gemessen werden und das Mitarbeiterengagement wird gestärkt. Somit unterstützt OKR das Erreichen von Unternehmenszielen. Ziel der Arbeit ist es, Einflussfaktoren auf die Einführung von Objectives Key Results zu identifizieren.

    Einführende Literatur:

    • Doerr, J. E. (2018): Measure what matters. How Google, Bono, and the Gates Foundation rock the world with OKRs.
    • Lihl, H. T., Mahlendorf, M. D. und Schmotz, D. (2019): Agiles Controlling mit OKR für schnelles Wachstum.
    • Engelhardt, P. und Möller, K. (2017): OKRs - Objectives and Key Results. Kritische Analyse eines neuen Managementtrends.
    • Lobacher, P. et al. (2017): Agiles Zielmanagement und modernes Leadership mit Objectives & Key Results (OKR): Das umfassende Kompendium.
    • Alberti, M. (2015): Das OKR Buch – Führen wie im Silicon Valley.
  • Thema 6: Fake Reviews auf digitalen Plattformen

    Bewertungen und Rezensionen auf Plattformen wie Amazon und Co. haben zum Ziel, die Nutzer bei ihrer Entscheidung für oder gegen ein Produkt oder eine Dienstleistung zu unterstützen. Denn bei Onlineeinkäufen können sich Kunden nicht direkt von der Qualität des Produkts überzeugen, sondern informieren sich durch die Bewertungen anderer Nutzer darüber. Dabei haben viele Plattformen mit falschen Bewertungen, sogenannten Fake Reviews zu kämpfen. Diese schädigen oder steigern absichtlich die Reputation eines Produkts oder Anbieters und können zu Wettbewerbsverzerrungen führen. Die Fake Reviews lassen sich jedoch nicht ohne weiteres erkennen. Auch bei großen Plattformen wie Amazon tritt das Problem sehr stark auf. Amazon versucht dem entgegenzuwirken und entfernt falsche Bewertungen, das Problem besteht jedoch weiterhin. Ziel der Arbeit ist es, das Thema Fake Reviews grundlegend zu analysieren, in dem verschiedene Formen von Fake Reviews betrachtet und Methoden zum Erkennen dieser erarbeiten werden. Des Weiteren soll anhand eines Beispiels veranschaulicht werden, wie Plattformen mit diesem Problem umgehen können.

    Einführende Literatur:

    • Lappas, T. (2012): Fake Reviews: The Malicious Perspective
    • Carbonell, G. et al. (2019): The impact of emotionality and trust cues on the perceived trustworthiness of online reviews
    • 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
  • Thema 7: Regressionsanalyse

    Mithilfe einer Regressionsanalyse können Zusammenhänge zwischen unterschiedlichen Variablen ermittelt werden.

    Hintergrund der Analysen bildet die HARAG GmbH. Sie ist ein fiktiver Maschinenhersteller mit Produktionsstandorten in Laupheim (Deutschland), Tianjin (China) und Sebes (Rumänien). Aktuell werden von ihr die Produkte Abfüller, Abfülllinie und Software angeboten. Die Füller (F-280, F-288, F-325, F-330) bzw. die Abfülllinie (AL-720, AL-750) unterscheiden sich nach ihrer Größe. Die Automatisierungssoftware wird in den zwei Varianten S-015 und S-102 angeboten. Die Füller und Abfülllinie werden nach dem Baukastenprinzip produziert, sodass diese entsprechend der Kapazitätsauslastungen an allen Standorten produziert werden. Die Software wird lediglich vom Hauptsitz in Laupheim aus vertrieben.

    Ziel dieser Arbeit ist es, im Produktportfolio der HARAG GmbH mit Hilfe von Regressionsanalysen für das Unternehmen relevante Zusammenhänge aufzudecken und darauf aufbauend strategische Handlungsempfehlungen abzuleiten. Beispielhafte Fragestellungen lauten: wie wirkt sich eine Preiserhöhung um 10 % bei einer Erhöhung des Werbebudgets um 5 % auf den Absatz aus? Ist der Zusammenhang in allen betrachteten Absatzländern gleich?

    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.
  • Thema 8: Zeitreihenanalyse

    Zeitreihen werden verwendet um Muster wie Saisonalitäten und Trends zu erkennen und zukünftige Werte zu prognostizieren.

    Hintergrund der Analysen bildet die HARAG GmbH. Sie ist ein fiktiver Maschinenhersteller mit Produktionsstandorten in Laupheim (Deutschland), Tianjin (China) und Sebes (Rumänien). Aktuell werden von ihr die Produkte Abfüller, Abfülllinie und Software angeboten. Die Füller (F-280, F-288, F-325, F-330) bzw. die Abfülllinie (AL-720, AL-750) unterscheiden sich nach ihrer Größe. Die Automatisierungssoftware wird in den zwei Varianten S-015 und S-102 angeboten. Die Füller und Abfülllinie werden nach dem Baukastenprinzip produziert, sodass diese entsprechend der Kapazitätsauslastungen an allen Standorten produziert werden. Die Software wird lediglich vom Hauptsitz in Laupheim aus vertrieben.

    Ziel der Arbeit ist es, Erkenntnisse durch die statistische Auswertung von zeitabhängigen Folgen von Datenpunkten zu gewinnen. Dabei sollen vorrangig die Absatzmenge, Preise, Umsätze und Produktionskosten der HARAG GmbH untersucht werden. Beispielhafte Fragestellungen lauten: Liegen saisonale und konjunkturelle Schwankungen vor? Kann die zukünftige Entwicklung der betrachteten Kennzahlen für die nächsten Quartale prognostiziert werden?

    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.
  • Thema 9: Varianzanalyse

    Die Varianzanalyse kann dazu genutzt werden, Zusammenhänge zwischen einer oder mehreren abhängigen Variablen und einer oder mehreren unabhängigen Variablen zu untersuchen. Ein besonderes Merkmal der Varianzanalyse ist, dass die unabhängigen Variablen nominalskaliert sein können.

    Hintergrund der Analysen bildet die HARAG GmbH. Sie ist ein fiktiver Maschinenhersteller mit Produktionsstandorten in Laupheim (Deutschland), Tianjin (China) und Sebes (Rumänien). Aktuell werden von ihr die Produkte Abfüller, Abfülllinie und Software angeboten. Die Füller (F-280, F-288, F-325, F-330) bzw. die Abfülllinie (AL-720, AL-750) unterscheiden sich nach ihrer Größe. Die Automatisierungssoftware wird in den zwei Varianten S-015 und S-102 angeboten. Die Füller und Abfülllinie werden nach dem Baukastenprinzip produziert, sodass diese entsprechend der Kapazitätsauslastungen an allen Standorten produziert werden. Die Software wird lediglich vom Hauptsitz in Laupheim aus vertrieben.

    Ziel der Arbeit ist es, dass die durch die Varianzanalyse gewonnen Erkenntnisse auf Basis des Datensatz der HARAG GmbH angewandt werden. Beispielhafte Fragestellungen lauten: welchen Einfluss haben unterschiedliche Werbemaßnahmen auf die Absatzmenge? Gibt es Unterschiede zwischen den einzelnen Absatzregionen?

    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.
  • Thema 10: Logistische Regression

    Die logistische Regression kann auf abhängige Variablen mit einem beschränkten Wertebereich angewandt werden und eignet sich damit besonders für die Analyse von Wahrscheinlichkeiten.

    Hintergrund der Analysen bildet die HARAG GmbH. Sie ist ein fiktiver Maschinenhersteller mit Produktionsstandorten in Laupheim (Deutschland), Tianjin (China) und Sebes (Rumänien). Aktuell werden von ihr die Produkte Abfüller, Abfülllinie und Software angeboten. Die Füller (F-280, F-288, F-325, F-330) bzw. die Abfülllinie (AL-720, AL-750) unterscheiden sich nach ihrer Größe. Die Automatisierungssoftware wird in den zwei Varianten S-015 und S-102 angeboten. Die Füller und Abfülllinie werden nach dem Baukastenprinzip produziert, sodass diese entsprechend der Kapazitätsauslastungen an allen Standorten produziert werden. Die Software wird lediglich vom Hauptsitz in Laupheim aus vertrieben.

    Ziel dieser Arbeit ist es, Sensordaten von installierten Maschinen der HARAG AG zu nutzen und ihre Ausfallwahrscheinlichkeiten zu bestimmen, um so vorbeugende Wartungsmaßnahmen zum optimalen Zeitpunkt durchführen 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.

    • 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.
  • Thema 11: Clusteranalyse

    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 die KLAAS SE. Sie ist ein fiktiver Landmaschinenhersteller mit Sitz in Deutschland.

    Ziel dieser Arbeit ist es, Sensordaten von Maschinen zu nutzen, um unterschiedliche Nutzungsarten von Maschinen aufzudecken. Diese Ergebnisse können dazu genutzt werden, um für die einzelnen Kundengruppen passendere Angebote zu erstellen und um Risiken beim Rückkauf von Maschinen zu reduzieren.

    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.
  • Thema 12: Assoziationsanalyse

    Assoziationsanalysen zielen darauf ab, Beziehungen zwischen Elementen aufzudecken und werden oft zur Analyse von Warenkörben herangezogen. Hintergrund für die Analyse bildet die KLAAS SE. Sie ist ein fiktiver Landmaschinenhersteller mit Sitz in Deutschland. Fragestellungen können zum Beispiel darauf abzielen, welche Dienstleistungen (z. B. Wartung und präventiver Austausch von Teilen) kombiniert werden 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.
    • Aggarwal & Zhai (Hg.) (2012): Mining Text Data. Boston, MA: Springer US.
    • Borgelt (2012): Frequent item set mining. In: Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery 2(6):437-456.

Dozierende

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

Inhaltliche Informationen

  • Lernziele

    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.

  • Modulplanung

    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.

  • Literatur

    Je nach Themengebiet wird individuelle Literatur empfohlen.

Organisatorische Informationen

  • Zeit und Ort

    Nächster Veranstaltungsbeginn: WiSe 20/21

    Ort:  Online - alle weiteren Informationen auf Moodle

    Termine: 

    • Abgabe der Seminararbeiten: Termin wird rechtzeitig bekannt gegeben
    • Endpräsentation: Zeitpunkt und Ort werden rechtzeitig bekannt gegeben
  • ECTS-Punkte und Lehrform

    ECTS: 4

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

  • Themenvergabe

    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.

  • Bewertungsmethode

    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.

  • Schwerpunkt und Studiengänge

    Schwerpunktfächer: Technologie- und Prozessmanagement, Business Analytics

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