Business-Analytics-Seminar (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.

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 vom 27.01.2020 bis 01.02.2020 Ihre Präferenzen über alle angebotenen Seminare für das Sommersemester 2020 eintragen. Sie erfahren danach auf jener Webseite, in welchem Seminar Sie einen Platz erhalten haben.

Die Themenvergabe findet am 18.02.2020 um 16:30 Uhr in Raum E.03 in der HeHo 22 statt.

Thema 1: Einsatzfelder intelligenter Systeme in betrieblichen Prozessen

Im Rahmen der Digitalisierung werden immer unterschiedliche intelligente Systeme wie Robotic Process Automation in administrativen Prozessen, Chatboots in der Kundenbetreuung und digitalen Forecasts eingesetzt. Ziel dieser Arbeit ist es intelligente Systeme und deren Charakteristika zu identifizieren und mögliche Einsatzfelder solcher intelligenter Systeme in betrieblichen Prozessen herauszuarbeiten.

Einführende Literatur:

  • Alexander, S., Haisermann, A., Schabicki, T., Frank, S. (2018). Robotic Process Automation (RPA) im Rechnungswesen und Controlling – welche Chancen ergeben sich? Controlling – Zeitschrift für erfolgsorientierte Unternehmenssteuerung 2018 (3), 11-19.
  • Devarajan, Y. (2018). „A Study of Robotic Process Automation Use Cases Today for Tomorrow’s Business.” International Journal of Computer Techniques 5(6), 12-18.
  • van der Aalst, W.M.P, Bichler, M., Heinzl, A. (2018): Robotic Process Automation, Business and Information Systems Engineering3, pp. 1-4.

Thema 2: Leistungsfähigkeit intelligenter Systeme im betrieblichen Kontext

Im Rahmen der Digitalisierung werden immer unterschiedliche intelligente Systeme wie Robotic Process Automation in administrativen Prozessen, Chatboots in der Kundenbetreuung und digitalen Forecasts eingesetzt. Solche intelligenten Systeme können dabei zu einer Verbesserung der Prognosegenauigkeit, einer Geschwindigkeitssteigerung oder auch Kosteneinsparungen führen. Das Ziel dieser Arbeit ist es herauszuarbeiten, was intelligente Systeme in Unternehmen leisten können und mögliche Grenzen aufzuzeigen.

Einführende Literatur:

  • Alexander, S., Haisermann, A., Schabicki, T., Frank, S. (2018). Robotic Process Automation (RPA) im Rechnungswesen und Controlling – welche Chancen ergeben sich? Controlling – Zeitschrift für erfolgsorientierte Unternehmenssteuerung 2018 (3), 11-19.
  • Devarajan, Y. (2018). „A Study of Robotic Process Automation Use Cases Today for Tomorrow’s Business.” International Journal of Computer Techniques 5(6), 12-18.
  • van der Aalst, W.M.P, Bichler, M., Heinzl, A. (2018): Robotic Process Automation, Business and Information Systems Engineering3, pp. 1-4.

Thema 3: Intelligente Systeme im betrieblichen Kontext und Akzeptanz

Im Rahmen der Digitalisierung werden immer unterschiedliche intelligente Systeme wie Robotic Process Automation in administrativen Prozessen, Chatboots in der Kundenbetreuung und digitalen Forecasts eingesetzt. Dabei kann es jedoch zu Akzeptanzproblemen durch Mitarbeiter aufgrund deren Haltung gegenüber dem intelligenten System, deren Handlungsmöglichkeiten sowie des verwendeten Algorithmus kommen. Das Ziel dieser Arbeit ist es verschiedene Probleme herauszuarbeiten, die es bezüglich der Akzeptanz intelligenter Systeme gibt. Dabei soll zusätzlich auf Ansätze zum Umgang mit diesen Problemen eingegangen werden.

Einführende Literatur:

  • Alexander, S., Haisermann, A., Schabicki, T., Frank, S. (2018). Robotic Process Automation (RPA) im Rechnungswesen und Controlling – welche Chancen ergeben sich? Controlling – Zeitschrift für erfolgsorientierte Unternehmenssteuerung 2018 (3), 11-19.
  • Devarajan, Y. (2018). „A Study of Robotic Process Automation Use Cases Today for Tomorrow’s Business.” International Journal of Computer Techniques 5(6), 12-18.
  • van der Aalst, W.M.P, Bichler, M., Heinzl, A. (2018): Robotic Process Automation, Business and Information Systems Engineering3, pp. 1-4.

Thema 4: Manipulationen innerhalb von Feedbacks

Ein häufig ein gesetzter Steuerungsmechanismus digitaler Plattformen sind sogenannte Feedbackmechanismen. Im Rahmen dieser Feedbackmechanismen kann es zu Manipulationen durch die Nutzer kommen. Das Ziel der Arbeit ist es verschiedene Manipulationsarten herauszuarbeiten und Ansätze zum Umgang und zur Vermeidung solcher Manipulationen zu erarbeiten.

Einführende Literatur:

  • Sänger, J., & Pernul, G. (2018). Interactive Reputation Systems. Business & Information Systems Engineering, 60(4), 273-287.

Thema 5: Vergleich von sozialen Netzwerken

Innerhalb der vergangenen Jahrzehnte haben sich immer mehrere soziale Netzwerke wie Facebook etabliert. Dabei waren immer wieder andere soziale Netzwerke von großer Beliebtheit, was zu einer Veränderung von MySpace, Facebook, Instagram, Snapchat hin zu TikTok führte. Andere Plattformen wie StudiVZ sind sogar gänzlich gescheitert. Das Ziel dieser Arbeit ist es die Entwicklung der einzelnen sozialen Netzwerke zu analysieren und Unterschiede in deren Entwicklung herauszuarbeiten.

Einführende Literatur:

  • Kirkpatrick (2011): The Facebook effect: The real inside story of Mark Zuckerberg and the world's fastest growing company. London: Virgin Books.

Thema 6: Topic Modelling

Zur Identifikation von relevanten Themen innerhalb sozialer Netzwerke wird das Topic Modelling verwendet. Das Ziel der Arbeit ist es verschiedene Algorithmen wie der Latent Dirichlet Allocation herauszuarbeiten und miteinander zu vergleichen. Abschließend erfolgt dann die Überführung dieses Vergleichs in eine detaillierte Literaturtabelle.

Einführende Literatur:

  • Blei, David M., Andrew Y. Ng und Michael I. Jordan (2003): Latent Dirichlet Allocation. In: Journal of Machine Learning Research 3, 993–1022.
  • Blei, David M. (2012): Probabilistic Topic Models. In: Communications of the ACM 55 (4), 77–84.

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 der gleiche?

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 Erkenntnisse durch die Varianzanalyse 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.

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 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

Assoziationsanalyse 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.