Server-Wartungsarbeiten am 26. und 27.08.! An beiden Tagen kann es bei Bewerbungen, Einschreibungen oder Anträge auf Immatrikulation sowie andere studentischen Anwendungen (Rückmeldung, Immatrikulationsbescheinigungen etc.) zu Einschränkungen kommen. Ab dem 28.08. stehen alle Funktionen wieder wie gewohnt zur Verfügung.

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