Business Analytics

FAQ

• Wo werden die Kompetenzen gebraucht?

  Ob bei Unternehmensberatungen, im Banken- und Versicherungswesen, im Telekommunikationssektor, bei produzierenden Unternehmen, und … und .. und. Überall wo Daten anfallen besteht auch Bedarf nach Fachkräften, die in der Lage sind, diesen Datenschatz zu analysieren. Mit künftig zunehmender Vernetzung und Digitalisierung wird die Datenmenge noch weiter steigen, und folglich auch der Bedarf nach geschulten Kräften. Die Antwort auf die Frage kann eigentlich nur eine Gegenfrage sein: Wo werden die Kompetenzen künftig nicht gebraucht?

• Muss ich viel rechnen? Ist viel Mathe enthalten?

  Jein! Konkret rechnen tut natürlich der Computer. Um aber die Datenanalyse und die dafür verwendeten statistischen Methoden inhaltlich durchdringen zu können, ist ein gewisser Zugang zu abstrakten Darstellungen schon notwendig. Schließlich muss man ja wissen, welche Aussage die gewonnenen Ergebnisse treffen. Voraussetzung sind hier also weniger die Fähigkeiten der Schulmathematik, sondern eher das Abstraktionsvermögen.

• Wie ist das Studium aufgebaut?

  Wie aus dem Diagramm oben ersichtlich, setzt sich der Studienschwerpunkt aus drei Bausteinen zusammen. Den betriebswirtschaftlichen Baustein stellst Du Dir weitgehend nach Deinen eigenen Vorstellungen aus einer Vielzahl von Wahlpflichtkursen zusammen. Einen gewissen Rahmen setzt hier die Studienordnung, so sind z.B. auch volkswirtschaftliche und juristische Fächer zu belegen.

   

  Zu Beginn des Studiums solltest Du einen oder zwei Einführungskurse in Programmierung belegen. Hier erlernst Du den Umgang mit der Softwarearchitektur, die Dich im weiteren Studienverlauf begleiten wird. Nach dem ersten Studienjahr bist Du dann soweit, dass Du deine analytischen Kompetenzen aufbauen kannst. Hierfür kannst Du aus einer Reihe von schwerpunktspezifischen Wahlpflichtkursen wählen.

Studieninhalte im Schwerpunkt

• Multivariate statistische Methoden

  Die Studierenden lernen in diesem Modul eine Reihe von multivariaten statistischen Methoden und dafür typische Anwendungsfälle kennen. Sie werden dazu befähigt, für eine quantitative Fragestellung eine anwendbare Methode zu bestimmen, die Analyse durchzuführen und die Ergebnisse zu interpretieren.

• Computerintensive Methoden

  Computerintensive Methoden werden bei Problemstellungen mit hohem Rechenaufwand verwendet. Ziel dieses Moduls ist die Anwendung dieser Verfahren auf konkrete Problemstellungen und Datenmengen mit der Statistiksoftware R. Anwendungsgebiete umfassen einerseits viele Themenbereiche des sogenannten Industrie 4.0 wie beispielsweise Smart Manufacturing, Predictive Maintenance, Supply Chain Management oder optimiertes Energiemanagement, andererseits aber auch klassische Bereiche wie Marktforschung und Marketing.

• Ökonometrie / Zeitreihenanalyse

  Die Studierenden lernen, eine ökonomische Fragestellung in ein ökonometrisches Modell zu übersetzen und ihre Aussagen empirisch zu überprüfen. Hypothesenbildung, Auswertung und Interpretation der Schätzergebnisse wird anhand geeigneter Beispiele vorgestellt. Die Lehrveranstaltung begleitend eine Computerübung, in der die Studierenden die Vorlesungsinhalte mit einer Statistiksoftware anhand von Datensätzen direkt anwenden

• Operations Research

  Die Studierenden lernen, Produktionsprozesse mit Hilfe von Graphen mathematisch abzubilden und die Prozesse mathematisch zu analysieren. Dabei werden verschiedene Algorithmen und Verfahren vorgestellt, die es erlauben, den Prozessabläufe genauer zu analysieren und ggf. Schwachstellen der Prozesse aufzudecken, um sie in einem nächsten Schritt zu optimieren.

• Digitale Datenverarbeitung

  In diesem Modul sollen die Studierenden fachliche Kompetenzen zur Anwendung und Entwicklung der digitalen Datenverarbeitung in Organisationen gewinnen. 

• Einführung in R

  Die Studierenden lernen die Grundlagen der Statistik Software R. An- gefangen mit Taschenrechnerfunktionen lernen die Studierenden anhand von Übungen, eigene Objekte und Graphiken zu erzeugen. Das Erstellen von Graphiken wird mittels ggplot intensiviert.

• Systeme für fortgeschrittene Datenanalyse

  Die Studierenden sollen ihre Kenntnisse im Umgang mit Softwareumgebungen zur Datenanalyse vertiefen. Sie lernen unstrukturierte Roh- daten in eine analysierbare Datenbasis zu transformieren und eigene statistische Analysen mit dieser Datenbasis durchführen.

• Prognose und Simulationen

  Die Studierenden erlernen in diesem Modul neben grundlegenden Programmierkenntnissen in R die Simulation unterschiedlicher Verteilungen, die häufig bei der Modellierung von Risiken sowie Störungen von Prozessabläufen verwendet werden. Darüber hinaus werden einige stochastische Algorithmen vorgestellt, die sich in der Praxis bewährt haben.

• Digitale Ökonomie

  Digitale Märkte sind häufig als Plattformen organisiert und machen sich Netzwerkeffekte zunutze. Für digitale Produkte sind die traditionellen Preisstrategien häufig nicht anwendbar, zugleich ermöglicht die Digitalisierung aber auch Einblicke in die Kundenstruktur, die es in traditionellen Märkten nur selten gibt.

• Risk Assessment in Non-Life Insurance

  Die Studierenden lernen in diesem Modul die Modellierung von Versicherungsschäden. Die dafür verwendeten zusammengesetzten Verteilungen sind nicht immer explizit berechenbar – in diesen Fällen werden die Studierenden mittels Monte-Caro-Simulationen die Verteilungen Simulieren. Für den Fall parametrisch berechenbarer Verteilungen werden die entsprechenden Parameter geschätzt.

• Risk Assessment in Life Insurance

  Die Studierenden lernen ausgehend von Excel und R – basierten Barwertberechnungen klassische Modellierungsansätze aus dem Bereich der Survival-Analysis.

• Numerical Methods for Risk Assessment

  In diesem Modul werden zunächst unterschiedliche numerische Approximationsverfahren vorgestellt. Angefangen mit dem Sekantenverfahren und dem Gradientenverfahren stellen wir das Newtonverfahrensowie Verfeinerungen dieser Verfahren vor und prüfen dabei die Sensitivität der Lösungen bei exogener Parametervariation exemplarisch.

• Seminar Datenschutz und Datensicherheit

  Studierende erhalten eine Einführungen in die Themen Datenschutz und Datensicherheit im Unternehmen.