Business-Analytics-Seminar (Master)

Das Seminar Business Analytics wird von Prof. Seiter angeboten und richtet sich an Masterstudierende. Die Themen können in Absprache auch doppelt vergeben werden. Die Analysen sollen mit der freien Statistiksoftware R durchgeführt werden. Alternativ kann auch die Software KNIME verwendet 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  Ihre Präferenzen über alle angebotenen Seminare eintragen. Sie erfahren danach auf jener Webseite, in welchem Seminar Sie einen Platz erhalten haben.

Thema 1: Netzwerkanalyse am Beispiel der SWU

Soziale Netzwerke zählen zu den globalen Phänomenen unserer Zeit. Hier sind Beispiele wie Facebook oder Twitter zu nennen. Die zur Verfügung stehenden Daten in Unternehmen nehmen immer weiter zu und ermöglichen somit neue Möglichkeiten im Bereich Business Analytics. Somit können die Methoden der sozialen Netzwerkanalyse auch zur Auswertung von Verkehrsnetzdaten verwendet werden. Zu Beginn der Arbeit sollen die Grundlagen der Netzwerkanalysen erarbeitet werden. Ziel der Arbeit ist es dann, die von der SWU zur Verfügung gestellten Daten nutzbar zu machen und mithilfe der Methoden der Netzwerkanalysen (bspw. mit Gephi) interessante Zusammenhänge zu identifizieren.

Einführende Literatur:

  • Newman, M. (2018): Networks. 2nd edition. Oxford: Oxford University Press.

Thema 2: E-Gaming - Quantitative Analyse am Beispiel der FIFA-Daten

Bisher wurden im Fußballsport schon zahlreiche relevanten Größen (Vorlagen, Zweikampfquote etc.) analysiert und nutzbar gemacht. Im Gegensatz hierzu hat das E-Gaming noch wenig Aufmerksamkeit erlangt, obwohl die verfügbaren Daten leicht verwendet werden können. Ziel dieser Arbeit ist es, die Attribute der Spieler zu identifizieren, die zu einem höheren Marktwert führen, sodass der Marktwert neuer Spieler auf Basis der Attribute schneller und transparenter ermittelt werden kann.

https://www.kaggle.com/karangadiya/fifa19

Einführende Literatur:

  • Backhaus, Klaus; Erichson, Bernd; Plinke, Wulff; Weiber, Rolf (2016): Multivariate Analysemethoden. Berlin, Heidelberg: Springer Berlin Heidelberg.

Thema 3: Visualisierung zentraler Nutzer auf Basis von Twitter-Daten

Ziel dieser Arbeit ist es mit Hilfe der Twitter Programmierschnittstelle einen relevantes Thema zu identifizieren und dazu die von der API (application programming interface) zur Verfügung gestellten Daten zu sammeln. Darauf aufbauend sollen Meinungsführer identifiziert mit Hilfe des Geocodes die relevanten Netzwerknutzer auf einer Karte dargestellt werden.

https://cran.r-project.org/web/packages/twitteR/twitteR.pdf

Thema 4: Strategische Analyse der Fahrraddaten von Toronto

Anhand der Verkehrsdaten lassen sich oftmals strategische Entscheidungen ableiten, wie die Platzierung von Restaurants oder Tankstellen. Auch anhand der Fahrraddaten lassen sich interessante Erkenntnisse ableiten. Im Rahmen dieser Arbeit sollen die für die kanadische Metropole Toronto zur Verfügung stehenden Daten für eine Analyse herangezogen werden. Hier handelt es sich um eine offene Fragestellung. Beispielsweise können Muster mithilfe einer Clusteranalyse identifiziert werden, saisonale Trends sowie die Zeitstempel betrachtet werden.

Literatur zur Aufbereitung der Daten:

  • Backhaus, Klaus; Erichson, Bernd; Plinke, Wulff; Weiber, Rolf (2016): Multivariate Analysemethoden. Berlin, Heidelberg: Springer Berlin Heidelberg.

Toronto Open Data:

www.toronto.ca/city-government/data-research-maps/open-data/open-data-catalogue/

Thema 5: Yelp-Daten und Nutzerklassifikation

Feedbacks auf digitalen Plattformen stellen formelle Steuerungsmechanismen dar, die für den Erfolg der Plattform entscheidend sind. Die Eigenschaften der Nutzer können einen Einfluss auf deren Feedbackbewertung haben. Auf der Plattform Yelp können Nutzerbewertungen verschiedenen Kategorien zugeordnet werden (funny, cool etc.). Ziel dieser Arbeit ist es, die Kategorien der Nutzer vorherzusagen. Dies kann beispielsweise mit neuronalen Netzen erfolgen.

https://www.yelp.com/dataset_challenge

Thema 6: Text Mining auf Basis von Social Media Daten

In dieser Arbeit soll die Frage untersucht werden, ob zwischen der Verbesserung der Wahrnehmung von Unternehmen in sozialen Netzwerken und dem Unternehmenswert ein Zusammenhang besteht. Dazu soll eine Sentimentanalyse auf Basis von Twitter-Daten durchgeführt und mit dem Verlauf des Aktienkurses verknüpft werden.

https://www.r-bloggers.com/twitter-sentiment-analysis-with-r/

Thema 7: Topic Modelling mit Latent Dirichlet allocation (LDA)

In dieser Arbeit soll die Frage untersucht werden, wie relevante Themen in sozialen Netzwerken identifiziert werden können. Dazu sollen unterschiedliche Algorithmen zunächst voneinander abgegrenzt und der Fokus auf Latent Dirichlet Allocation gesetzt werden. Anschließend soll LDA anhand von aktuellen Twitter-Daten demonstriert werden.

http://tweettracker.fulton.asu.edu/tda/TwitterDataAnalytics.pdf

Thema 8: Visualisierungsstandards im Kontext von Business Analytics

Zunächst soll eine Einordnung von Business Analytics in die Entscheidungsprozesse von Unternehmen erfolgen. Die International Business Communication Standards (IBCS®) stellen praktische Regeln für die Gestaltung von Berichten, Präsentationen, Dashboards und die darin enthaltenen Diagramme und Tabellen dar. Ziel der Arbeit ist es, herauszuarbeiten, ob diese praktischen Regeln zur Visualisierung im Unternehmen vorteilhaft sind oder ob dadurch auch gewisse Einschränkungen entstehen.

Einführende Literatur:

  • Schumann, H., Müller, W., Visualisierung - Grundlagen und allgemeine Methoden, Berlin und Heidelberg 2000.
  • Kohlhammer, J., Proff, D. U., Wiener, A., Visual Business Analytics - Effektiver Zugang zu Daten und Informationen, Heidelberg 2013.

Standards:

https://www.ibcs.com/de/standards/

Thema 9: Visualisierung von Feedbacks

Feedbacks auf digitalen Plattformen stellen formelle Steuerungsmechanismen dar und sollen zum einen Rückmeldungen zu den Transaktionen liefern und zum anderen Auskunft über den Verkäufer für potenzielle Kunden geben. Oftmals werden für diese Feedbacks Sternebewertungen verwendet. Jedoch ist diese Symbolik nicht innerhalb aller Feedbacksysteme einheitlich. Ziel dieser Arbeit ist es, herauszuarbeiten wie diese Feedbacks gestaltet werden sollen, um transparente Rückmeldungen zu schaffen, die Feedbacks plattformübergreifend vergleichen zu können sowie motivierend für die Käufer zur Abgabe wirken.

Einführende Literatur:

  • Schumann, H., Müller, W., Visualisierung - Grundlagen und allgemeine Methoden, Berlin und Heidelberg 2000.
  • Kohlhammer, J., Proff, D. U., Wiener, A., Visual Business Analytics - Effektiver Zugang zu Daten und Informationen, Heidelberg 2013.

Thema 10: Organisationelle Aspekte von Business Analytics

In einem ersten Schritt soll Business Analytics als Prozess beschrieben sowie Anforderungen an die Umsetzung und den Betrieb dargelegt werden. Im Anschluss werden verschiedene aufbauorganisatorische Modelle vorgestellt und erläutert.

Darauf aufbauend sollen geeignete Organisationsmodelle zur Einbindung von  Business Analytics identifiziert und diskutiert werden. Ziel der Arbeit ist schlussendlich die Entwicklung eines Rahmens, der geeignete aufbauorganisatorische Modelle für Business Analytics und deren Einflussfaktoren darstellt.

Einführende Literatur:

  • Picot, A., Dietl, H., Franck, E., Organisation, 3. Auflage, Stuttgart 2002.
  • Ebers, M., Organisationsmodelle für Innovation, in: Zeitschrift für betriebswirtschaftliche Forschung 2016.

Thema 11: Operational Analytics 1 – Analytics Werkzeuge (Hadoop)

Ziel der Arbeit ist Beschreibung eines Teilprozesses bzw. eines Ansatzes zur strukturierten betrieblichen Realisierung von Operational Analytics. Eine zentrale Herausforderung ist die Auswahl der richtigen Analysewerkzeuge- und Technologien. Zu diesen Technologien gehören beispielsweise Nonrelational-Plattformen wie Hadoop, Discovery-Plattformen, die sowohl relationale als auch nicht-relationale Daten und Prozesse verarbeiten können oder auch In-Memory-Analytics. Damit die betriebliche Realisierung von Operational Analytics erfolgreich ist, ist es notwendig, die richtigen Analysewerkzeuge für die entsprechenden Anwendungen auszuwählen. Hierzu soll die Arbeit zunächst detailliert in die Nonrelational-Plattform Hadoop einführen. Die Funktionsweise und mögliche Anwendungen sollen aufgezeigt werden. Weitere Technologien im Rahmen von Operational Analytics sollen gegenüber Hadoop abgegrenzt werden (Discovery- und Relational-Plattformen). Abschließend sollen Möglichkeiten der praktischen Anwendung dieser Plattformen aufgezeigt werden.

Einführende Literatur:

  • Franks, B., The analytics revolution: how to improve your business by making analytics operational in the big data era, Hoboken und New Jersey 2014.
  •  Landset, S., Khoshgoftaar, T. M., Richter, A. N., Hasanin, T., A survey of open source tools for machine learning with big data in the Hadoop ecosystem, In: Journal of Big Data (2015) 2:24.

Thema 12: Operational Analytics 2 – Anforderung an das Personal und die Aufbauorganisation

Ziel der Arbeit ist Beschreibung eines Teilprozesses bzw. eines Ansatzes zur strukturierten betrieblichen Realisierung von Operational Analytics. Wenn ein Unternehmen Operational Analytics zur Wertgenerierung realisieren möchte, benötigt es nicht nur das passende Personal, sondern auch eine geeignete Organisation, damit das Personal effektiv arbeiten kann. Die betriebliche Realisierung von Operational Analytics macht demnach Änderungen an aktuellen Organisationsstrukturen notwendig. Zunächst soll die Arbeit aufzeigen, welches Personal zur Realisierung von Operational Analytics notwendig ist und wie dieses sinnvoll zusammengestellt werden sollte. Hierzu sollen Kriterien und Charakteristiken herausgearbeitet werden, die das Personal erfüllen muss. Darauf aufbauend sollen Herausforderungen und Empfehlungen für den Aufbau einer geeigneten Organisationsstruktur und den Aufbau von Analytics Teams gegeben werden. Hierzu sollte insbesondere auf die Möglichkeiten der Weiterentwicklung von traditionellen Organisationsformen hin zu hybriden Organisationen und auf Mitarbeiterrollen innerhalb dieser Organisationsformen (z.B. Chief Analytics Officer, Chief Data Officer) eingegangen werden.

Einführende Literatur:

  • Franks, B., The analytics revolution : how to improve your business by making analytics operational in the big data era, Hoboken und New Jersey 2014.
  • Schön, D., Planung und Reporting: Grundlagen, Business Intelligence, Mobile BI und Big-Data-Analytics, Wiesbaden 2016.