empfohlenes VorwissenKeines AbstractIn diesem Modul lernen die Studierenden den Data-Science-Prozess kennen: Sie lernen Daten zu verstehen, aufzubereiten, zu modellieren und zu evaluieren, um so datengetriebene Antworten auf praktische Fragen aus dem Marketing und dem Handel zu generieren. Das geschieht unter Zuhilfenahme der an der Universität Konstanz entwickelten Data-Mining-Software KNIME. Über das "visuelle Programmieren" in Workflows kann KNIME im gesamten Data-Science-Prozess eingesetzt werden und enthält zahlreiche Module („Knoten“) für die Analyse von Big Data (u.a. Apache Hadoop inkl. Hive und Spark), Text Mining, Machine Learning (u.a. Decision Trees, Random Forests), Neuronale Netze und Deep Learning (Keras-Layer). Lehrinhalte- Einführung Data Science in Marketing und Handel
- Einführung in das visuelle Programmieren mit KNIME
- Datenquellen in Marketing und Handel
- Daten-Aufbereitung und Pre-Processing
- Fortgeschrittene KNIME-Methoden
- Muster finden (Hierarchical Clustering, k-Means Clustering, DBSCAN, Association Rules, Praxisbeispiel: Kundensegmentierung und Warenkorbanalyse mit KNIME)
- Erklärungen finden (Confusion Matrix und ROC-Kurve, Decision Tree, Naive Bayes Classifier, Logistische Regression, Praxisbeispiel: Analyse des Kündigungsverhaltens mit KNIME)
- Vorhersagen treffen (k-Nearest-Neighbors, Neuronale Netze, Einführung Deep Learning, Praxisbeispiel: Ermittlung des Customer Lifetime Value mit KNIME)
- Fallstudie aus dem Marketing bzw. dem Handel
Literaturangaben- Berthold, M.; Borgelt, C.; Höppner, F.; Klawonn, F.; Silipo, R. (2020): Guide to Intelligent Data Science – How to Intelligently Make Use of Real Data; Springer Nature, Cham.
- Linoff, G.; Berry, M. (2011): Data Mining Techniques – For Marketing, Sales, and Customer Relationship Management; Wiley, Indianapolis.
- Melcher, K.; Silipo, R. (2020): Codeless Deep Learning with KNIME – Build, train, and deploy various deep neural network architectures using KNIME Analytics Platform; Packt, Birmingham.
- Miller, T. (2015): Marketing Data Science – Modeling Techniques in Predictive Analytics with R and Python; Pearson, Boston (MA).
- Provost, F.; Fawcett, T. (2013): Data Science for Business – What you need to know about data mining and data-analytic thinking; O’Reilly Media, Sebastopol (CA).
- Otte, R. (2019): Künstliche Intelligenz für Dummies; Wiley-VCH, Weinheim.
- Wagener, A. (2019): Künstliche Intelligenz im Marketing – ein Crashkurs; Haufe, Freiburg.
didaktisches KonzeptDas Modul ist als Vorlesung mit integriertem Seminar gestaltet, in deren Rahmen die Studierenden die vermittelten Lehrinhalte direkt am PC nachvollziehen, die Übungen in Kleingruppen bearbeiten und vorstellen sowie am Ende der Veranstaltung ihre Bearbeitung einer Fallstudie aus dem Marketing bzw. dem Handel präsentieren. Die Veranstaltung entspricht einem Vorlesungsanteil von 2 SWS und einem Seminaranteil von 2 SWS. Hörerschaft- BWL-Ba-2006-V2013 > Vertiefungsstudium > Wahlpflichtbereich > Vertiefungsbereich Betriebswirtschaftslehre > (4.-6. Fachsemester, Wahlpflicht) Modul "Data Science in Marketing und Handel"
- LA-gbF-kbF-BK-Ba-2011-V2013 > Bachelorprüfung in der kleinen beruflichen Fachrichtung > Produktion, Logistik, Absatz > Wahlpflichtbereich Kleine berufliche Fachrichtung "Produktion, Logistik, Absatz" > (4.-6. Fachsemester, Wahlpflicht) Modul "Data Science in Marketing und Handel"
- VWL-Ba-2013 > Vertiefungsstudium > Wahlpflichtbereich > Bereich BWL, Recht, Wirtschaftsinformatik, Informatik > Vertiefungsbereich Betriebswirtschaftslehre > (4.-6. Fachsemester, Wahlpflicht) Modul "Data Science in Marketing und Handel"
|