Modulhandbuch

Data Analytics

Empf. Vorkenntnisse

Grundlagen Statistik, Grundlagen Datenbanken und Modellierung

Lernziele

Kompetenzen:
Die Studierenden lernen die Methoden der Analyse von Transaktions- und Kundendaten kennen und anwenden. Sie können Zusammenhänge zwischen Variablen zu identifizieren (Data Mining) und zu überprüfen (Multivariate Analyse).

Lerninhalte:
Anhand konkreter Softwaretools erlernen die Studierenden, wie z. B. Zielgruppen gebildet und Sortimente für Cross-Selling-Angebote optimal auf Basis von Transaktionsdaten der Kunden identifiziert werden. Zukünftige Technologien und Methoden (z. B. semantische Suche) werden präsentiert und von den Studierenden erprobt.

Dauer 1 Semester
SWS 6.0
Aufwand
  • Lehrveranstaltung:90 h
  • Selbststudium/
    Gruppenarbeit:180 h

  • Workload:270 h
ECTS 9.0
Voraussetzungen für Vergabe von LP

Modulprüfung: Klausur (K60) und Hausarbeit + Referat

Modulverantw.

Prof. Dr. rer. pol. Volker Sänger

Max. Teilnehmer 0
Empf. Semester DEC 1 bzw. DEC 2
Häufigkeit jedes 2. Semester
Verwendbarkeit

Dialogmarketing und E-Commerce (Master) 

Veranstaltungen Data Modelling, Mining and Analytics
Art Vorlesung/Übung
Nr. M+I652
SWS 4.0
Lerninhalt

LERNINHALTE

  • Data Mining, CRISP, Ähnlichkeits- und Abstandsmaße
  • Data Preparation
  • Clustering, Klassifikation, Assoziation, Generalisierung
  • Visualisierung
  • Lineare und multiple Regressionsanalyse; Zeitreihenmodelle
  • Markov-Ketten
  • ANOVA

LERNZIELE

  • Prinzipien und Methoden des Data Mining und der Datenanalyse kennen und verstehen und
  • auf gegebene Problemstellungen aus verschiedenen Anwendungsbereichen anwenden können
  • Ein Tool zur Datenanalyse (RapidMiner) kennen und einsetzen können
Literatur

Erster Teil: Data Mining

  • Cleve, J./Lämmel, U. (2014): Data Mining. München.
  • Albright, S.C./Winston, W.L. (2013): Business Analytics. Cengage Learning.
  • C.T. Ragsdale (2015): Spreadsheet Modeling & Decision Analysis, Cengage Learning.
  • E. Alpaydin: Maschinelles Lernen. Oldenburg Verlag, 2008
  • M. Ester, J. Sander. Knowledge Discovery in Databases. Springer Verlag, 2000
  • V. Kotu, B.D. Deshpande; Predictive Analytics and Data Mining - Concepts and Practice with RapidMiner, Morgan Kaufman, 2014
  • V. Meyer-Schönberger, K. Cukier: Big Data - Die Revolution, die unser Leben verändern wird. Redline Verlag, 2013

Zweiter Teil: Predictive Analytics

  • Berenson, Mark L./Levine, David M./Krehbiel, Timothy C.; Basic Business Statistics, Concepts and Applications; 12th Edition; Pearson; 2012.
  • Bowerman, Bruce L./O'Connell, Richard T./Koehler, Anne B.; Forecasting, Time Series, and Regression, An Applied Approach; 4th Edition; Brooks/Cole Cengage Learning; 2005.
  • Carlberg, Conrad; Predictive Analytics, Microsoft Excel; 3rd Printing; Pearson Education; 2013.
Projekt: Data Analytics
Art Übung
Nr. M+I653
Lerninhalt
  • Einarbeitung in RapidMiner
  • Lösung anfangs einfacher, dann komplexer werdender Problemstellungen mit RapidMiner
  • Erstellung eines Berichts

Lernziele:

  • Ein Tool zur Datenanalyse (RapidMiner) kennen und einsetzen können.
  • Die in der Vorlesung erlernten Methoden für gegebene Problemstellungen auswählen und anwenden können.
  • Die erzielten Ergebnisse bewerten können.
  • Die Methoden des Projektmanagements kennenlernen und anwenden, z. B. SCRUM, Phasenmodelle, etc. 
  • Es wird der Business Case aufgegriffen.

 

Literatur

 

 

Seminar Trends im Datenmanagement
Art Seminar
Nr. M+I654
SWS 2.0
Lerninhalt
  • Für die Studierenden werden aktuelle Themen im Datenmanagement vergeben
  • Nach einer Kurzeinführung durch den Dozenten bearbeiten die Studierenden die Themen selbstständig, recherchieren in der Literatur und präsentieren die Ergebnisse

Lernziele:

  • ein aktuelles Thema im Datenmanagement wissenschaftlich recherchieren und strukturiert aufarbeiten und präsentieren können
  • weitere aktuelle Themen kennen und verstehen
Literatur

Die aktuelle Literaturliste wird in der Vorlesung bekannt gegeben.

  • J. Cleve, U. Lämmel. Data Mining. Oldenburg Wissenschaftsverlag, 2014 (ebook)
  • S.C. Albright, W.L. Winston: Business Analytics. Cengage Learning, 2013
  • C.T. Ragsdale. Spreadsheet Modeling & Decision Analysis, Cengage Learning, 2015
  • E. Alpaydin: Maschinelles Lernen. Oldenburg Verlag, 2008

← Zurück Speichern als Docx