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 Geschäftsmodelle erlauben durch die Analyse von Nutzungsdaten ein besseres Verständnis der Kundenbedürfnisse und eine kontinuierliche Verbesserung des Produkts. Sie können als Weiterentwicklung klassischer Abonnementmodelle betrachtet werden und sind derzeit vor allem im B2C-Bereich zu finden. Bekannte Beispiele sind Spotify und Netflix. Auch in der produzierenden Industrie werden Subscription Geschäftsmodelle immer wichtiger. Die Maschine bleibt im Eigentum des Anbieters, stattdessen zahlen die Kunden kontinuierlich für die Nutzung anhand verschiedener Zeit- oder Leistungsgrößen („Pay-per-X“). Ziel der Arbeit ist die Durchführung einer Marktanalyse zur systematischen Darstellung der etablierten Ausprägungen von Pay-per-X in der produzierenden Industrie.
Einführende Literatur:
- Stojkovski, I., Achleitner, A.-K., Lange, T. (2021): Equipment as a Service – The Transition Towards Usage-Based Business Models, SSRN, S. 1-44.
- Schuh, G., Wenger, L., Stich, V., Hicking, J., Gailus, J. (2020): Outcome Economy – Subscription Business Models in Machinery and Plant Engineering, in: Procedia CIRP 93(1), S. 599-604.
- Seiter, M., Grünert, L., Kenner, K. (2021): Subscription Models – Merkmale, Praxisbeispiele und Auswirkungen auf die Unternehmensteuerung, in: Schmalenbach IMPULSE (1), S. 1-17.
- Roth, S., Stoppel, E. (2014): Preissysteme zur Gestaltung und Aufteilung des Service Value, in: Bruhn, M., Hadwich, K. (Hrsg.): Service Value als Werttreiber, Wiesbaden, S. 183-204.
Subscription Geschäftsmodelle erlauben durch die Analyse von Nutzungsdaten ein besseres Verständnis der Kundenbedürfnisse und eine kontinuierliche Verbesserung des Produkts. Sie können als Weiterentwicklung klassischer Abonnementmodelle betrachtet werden und sind derzeit vor allem im B2C-Bereich zu finden. Bekannte Beispiele sind Spotify und Netflix. Auch in der produzierenden Industrie werden Subscription Geschäftsmodelle immer wichtiger. Neben der Maschine an sich werden in der Regel weitere Leistungen in der Subscription gebündelt, bspw. verschiedene Smart Services oder Versicherungsleistungen. Ziel der Arbeit ist die Durchführung einer Marktanalyse zur systematischen Darstellung der etablierten Leistungsbündel in der produzierenden Industrie.
Einführende Literatur:
- Stojkovski, I., Achleitner, A.-K., Lange, T. (2021): Equipment as a Service – The Transition Towards Usage-Based Business Models, SSRN, S. 1-44.
- Schuh, G., Wenger, L., Stich, V., Hicking, J., Gailus, J. (2020): Outcome Economy – Subscription Business Models in Machinery and Plant Engineering, in: Procedia CIRP 93(1), S. 599-604.
- Seiter, M., Grünert, L., Kenner, K. (2021): Subscription Models – Merkmale, Praxisbeispiele und Auswirkungen auf die Unternehmensteuerung, in: Schmalenbach IMPULSE (1), S. 1-17.
- Roth, S., Stoppel, E. (2014): Preissysteme zur Gestaltung und Aufteilung des Service Value, in: Bruhn, M., Hadwich, K. (Hrsg.): Service Value als Werttreiber, Wiesbaden, S. 183-204.
Subscription Geschäftsmodelle erlauben durch die Analyse von Nutzungsdaten ein besseres Verständnis der Kundenbedürfnisse und eine kontinuierliche Verbesserung des Produkts. Sie können als Weiterentwicklung klassischer Abonnementmodelle betrachtet werden und sind derzeit vor allem im B2C-Bereich zu finden. Bekannte Beispiele sind Spotify und Netflix. Auch in der produzierenden Industrie werden Subscription Geschäftsmodelle immer wichtiger. Die Maschine bleibt im Eigentum des Anbieters, sodass dieser Zugriff auf eine große Menge an Maschinendaten aus dem produktiven Einsatz bei den Kunden erhält und daraus Optimierungen ableiten kann (bspw. Reduzierung von Wartungsaufwänden, Erhöhung des Outputs). Ziel der Arbeit ist die Durchführung einer Marktanalyse zur Identifikation von konkreten Optimierungen, die Anbieter im Rahmen bereits etablierter Subscription Geschäftsmodelle in der produzierenden Industrie versprechen.
Einführende Literatur:
- Stojkovski, I., Achleitner, A.-K., Lange, T. (2021): Equipment as a Service – The Transition Towards Usage-Based Business Models, SSRN, S. 1-44.
- Schuh, G., Wenger, L., Stich, V., Hicking, J., Gailus, J. (2020): Outcome Economy – Subscription Business Models in Machinery and Plant Engineering, in: Procedia CIRP 93(1), S. 599-604.
- Seiter, M., Grünert, L., Kenner, K. (2021): Subscription Models – Merkmale, Praxisbeispiele und Auswirkungen auf die Unternehmensteuerung, in: Schmalenbach IMPULSE (1), S. 1-17.
- Roth, S., Stoppel, E. (2014): Preissysteme zur Gestaltung und Aufteilung des Service Value, in: Bruhn, M., Hadwich, K. (Hrsg.): Service Value als Werttreiber, Wiesbaden, S. 183-204.
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 Daten 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 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.
5G stellt eine neue Mobilfunk-Technologie dar, welche als Nachfolger von 4G (LTE) den neuen Standard des mobilen Internets darstellt. Der Ausbau des 5G-Netzes, welcher derzeit in Deutschland und vielen weiteren Ländern erfolgt, dient als Grundlage für die Digitalisierung vieler Lebensbereiche und ermöglicht 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. 6G stellt eine Weiterentwicklung der 5G-Mobilfunk-Technologie dar, welche in Zukunft den neuen Standard des mobilen Internets darstellen soll. Das Ziel der Arbeit ist es, die beiden Technologien zu vergleichen und Gemeinsamkeiten sowie Unterschiede herauszuarbeiten.
Einführende Literatur:
- Bariah, L.; Mohjazi, L.; Muhaidat, S.; Sofotasios, P. C.; Kurt, G. K.; Yanikomeroglu, H.; Dobre, O. A. (2020): A prospective look: Key enabling technologies, applications and open research topics in 6G networks. In: IEEE Access 8, S. 174792-174820.
- De Alwis, C.; Kalla, A.; Pham, Q. V.; Kumar, P.; Dev, K.; Hwang, W. J.; Liyanage, M. (2021): Survey on 6G frontiers: Trends, applications, requirements, technologies and future research. In: IEEE Open Journal of the Communications Society 2, S. 836-886.
- Johnston, Robert; Jones, Peter (2004): Service productivity. In: Int J Productivity & Perf Mgmt 53 (3)
5G stellt eine neue Mobilfunk-Technologie dar, welche als Nachfolger von 4G (LTE) den neuen Standard des mobilen Internets darstellt. Der Ausbau des 5G-Netzes, welcher derzeit in Deutschland und vielen weiteren Ländern erfolgt, dient als Grundlage für die Digitalisierung vieler Lebensbereiche und ermöglicht 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.
- Wen, S., Zomaya, A., Yang, L. (2019): Algorithms and architectures for parallel processing. Springer-Verlag.
- Romeike, F., Hager, P. (2020): Erfolgsfaktor Risiko-Management 4.0: Methoden, Beispiele, Checklisten Praxishandbuch für Industrie und Handel. Springer-Verlag.
- Kazakov, D., Erten, C. (2020): Inductive Logic Programming. Springer-Verlag.
- Seiter, M. (2019): Business Analytics: wie Sie Daten für die Steuerung von Unternehmen nutzen. 2. Auflage. Vahlen.
- Maimon, O., Rokach, L. (2014): Data Mining With Decision Trees: Theory And Applications. World Scientific.
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. Der Techniker vermutet, dass die Überschreitung einer bestimmten Temperaturschwelle mit den Fehlern zusammenhängt. Ziel der Arbeit ist es, durch eine Predictive Maintenance Analyse herauszufinden, wann ein Teil erneuert werden muss. Im Beispiel wird der Zustand einer Maschine untersucht, bei der in der Vergangenheit die Temperatur aufgezeichnet wurde. In den Log-Files treten zwei Fehler auf, die Maier nun gesondert untersuchen möchte. Es wird versucht, die Ursache der Fehler zu untersuchen. Die Herangehensweise ist sehr spezifisch, folgt keinem bekannten Algorithmus und kann daher auch nicht verallgemeinert 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.
- 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.
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: SoSe 23
Ort: Online - alle weiteren Informationen auf Moodle
Termine:
- Abgabe der Seminararbeiten: -
- Endpräsentation: -
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