Aufbau & Inhalt

Das Modul ist eine Einführung in das Weiterbildungsprogramm und dient drei Zwecken:

1. Es soll die Beschäftigung mit Data Science motivieren, seine wesentlichen Anwendungsbereiche skizzieren und einen Überblick über die zu verwendeten Techniken und Methoden geben. Insbesondere soll deutlich werden, dass sich dieses Programm versteht als ein gemeinsames Angebot aus unterschiedlichen Disziplinen (Informatik, Mathematik, Statistik, BWL und Marketing sowie Kommunikationswissenschaft), deren Zusammentreffen und deren gegenseitige Befruchtung für erfolgreiche Data Science-Projekte wesentlich ist.
2. Die Teilnehmenden sollen ihre eigenen Projekte vorstellen, die sie im Laufe des Kurses zu bearbeiten gedenken. Dadurch soll sichergestellt werden, dass sich alle frühzeitig darüber klar werden, was sie in diesem Programm erreichen wollen. Gleichzeitig sollen sich die Teilnehmenden untereinander kennenlernen.
3. Das Modul dient einer Einführung in die wesentlichen im Kurs verwendeten Programmiersysteme, R und Python, die in den nachfolgenden Modulen regelmäßig verwendet werden und auch bei der Anfertigung der Masterarbeit eingesetzt werden können.

Überblick Lerninhalte:

• Einführung/Grundlagen von Data Science, disziplinäre Zugänge
• Python-Installation (Anaconda, iPython), Notebook-Konzept
• Grundlagen der Sprache Python und der Interpretation von Python-Programmen (Zahlen, Strings, Variablen, grundlegende Operatoren und Funktionen, Arbeiten mit Dateien, Datenstrukturen Listen, Dictionaries, Tupel, Kontrollstrukturen if-else, while, for, Import von Packages, Objektorientierung u.a.)
• Zahlreiche Beispielprogramme, die als Python-Notebooks bereitgestellt werden
• Einführung in die statistische Programmiersprache R (Strukturen in R, Import und Export von Daten, Funktionen und Schleifen, ..)
• Explorative Datenanalyse mit R

Fachliche Kompetenzen:

Die Studierenden werden in die Lage versetzt zu erkennen, was Data Science ausmacht und warum man hier von einer „Querschnittskompetenz“ spricht, in der sich Kenntnisse aus Informatik, Mathematik, Statistik, BWL, Marketing, Kommunikationswissenschaften (und ggfs. weiteren Gebieten) überschneiden und ergänzen. Sie sind vertraut mit den Grundlagen von R und Python und können in den nachfolgenden Modulen darauf aufbauen.

Schlüsselqualifikationen:

Die Teilnehmer sind befähigt, die erworbenen Kenntnisse durch eigenverantwortliches Lernen zu vertiefen. Sie erlernen und vertiefen das problemlösende Arbeiten in Kleingruppen sowie Präsentationstechniken im Rahmen der Vorstellung ihrer Ergebnisse der Übungen.

Modulleitung: Prof. Drs. Thorsten Quandt, Heike Trautmann, Gottfried Vossen, Thorsten Wiesel

Das Modul ist eine Einführung in den Umgang mit großen Datenmengen, und zwar sowohl auf der Basis traditioneller (SQL) als auch neuerer (NoSQL) Datenbanksysteme sowie auf der Basis von Dateiverwaltungssystemen (wie HDFS). Das Modul vermittelt für den Bereich Data Science grundlegende Konzepte, Algorithmen und Vorgehensweisen. Die Teilnehmer werden auch mit konkreten Umsetzungen im Rahmen der Programmiersprache Python vertraut gemacht. Das Modul ist ein weiteres Grundlagenmodul; die erlernten Techniken werden auch in anderen Modulen benötigt und eingesetzt.

Überblick Lerninhalte:

• Datenmanagement mit SQL- und NoSQL-Systemen, Unterschiede und Gemeinsamkeiten, Anwendung bei OLAP-Aufgaben, Einsatzkriterien für die Verarbeitung großer Datenmengen
• Verteilte Filesysteme (HDFS) als Alternative, Architekturoptionen (Hadoop-Ecosystem, Spark, Flink)
• Grundlegende Algorithmen des Data Mining, Map-Reduce-Anwendungen, Bestimmung von Ähnlichkeit, Recommendation, Community Detection.
• Weiterführende Behandlung der Sprache Python, Module des Python-Ecosystems, Entwicklung eines Data Science-Workflows
• Werkzeugauswahl für und programmtechnische Realisierung von exemplarischen Anwendungen wie allgemeine Datenexploration, Entwicklung eines Web-Crawlers, Text- sowie Stimmungsanalyse, Matrixoperationen, Recommender, Bildklassifikation

Fachliche Kompetenzen:

Die Studierenden werden in die Lage versetzt zu entscheiden, welche Systemkategorie bei der Behandlung eines konkreten Data Science-Problems geeignet ist und warum. Sie sind vertraut mit den Grundlagen von Python und können angeben, auf welche Weise man programmtechnisch ein Datenmanagementsystem im konkreten Fall ansprechen kann. Sie kennen grundlegende Algorithmen und Ansätze des Data Mining und von zentralen Data Science-Anwendungen und besitzen die hier notwendige Problemlösungskompetenz.

Schlüsselqualifikationen:

Die Teilnehmer sind befähigt, die erworbenen Kenntnisse durch eigenverantwortliches Lernen zu vertiefen. Sie erlernen und vertiefen das problemlösende Arbeiten in Kleingruppen sowie Präsentationstechniken im Rahmen der Vorstellung ihrer Ergebnisse der Übungen.

Modulleitung: Prof. Dr. Gottfried Vossen

Das Modul vermittelt für den Bereich Data Science zentrale analytische Methoden unter Zuhilfenahme der Statistik-Software R. Es fungiert als Grundlagenmodul, die erlernten Techniken werden auch in anderen Modulen benötigt und eingesetzt.

Überblick Lehrinhalte:

• Explorative Datenanalyse und Datenvorverarbeitung
• überwachtes Lernen (Klassifikation, Regression)
• unüberwachtes Lernen (Clusteranalyse, Dimensionsreduktion)
• Modellvalidierung
• Programmierung in R

Fachliche Kompetenzen:
Nach Abschluss der Veranstaltung sind die Studierenden in der Lage, Daten strukturiert aufzubereiten sowie zu analysieren und interpretieren. Im Unternehmenskontext können somit datenbasierte Entscheidungsfindungsprozesse effizient gesteuert und durchgeführt werden.

Schlüsselqualifikationen:
Teamfähigkeit sowie Kommunikations- und Kooperationskompetenz, Interdisziplinäres Arbeiten

Modulleitung: Prof. Dr. Heike Trautmann

Neben den Herausforderungen im Management durch den Umgang mit wachsenden Datenmengen werden die Themen IT-Sicherheit, Ethik und auch die rechtlichen Rahmenbedingungen behandelt. Die Teilnehmenden werden für die Besonderheiten der Gestaltung von Beziehungen und Prozessen im Datenmanagement innerhalb und auch zwischen Organisationen sensibilisiert. Unternehmen können Wertschöpfung durch die Nutzung und das zur-Verfügung-Stellen von offenen Daten generieren. Gleichzeitig besteht das Erfordernis, geschlossene und sensible Daten sicher zu verwalten. In diesem Spannungsfeld lernen die Teilnehmenden, wie Daten-Standards, -semantik und -architektur für effektives Management eingesetzt werden können. Sie werden befähigt, in diesem Zusammenhang nicht nur die technischen, sondern auch die sozialen Aspekte zu berücksichtigen. Die Teilnehmenden lernen des Weiteren die wesentlichen rechtlichen Rahmenbedingungen und Regelungen kennen und wie diese im Datenmanagement zu berücksichtigen sind. Für jedes Unternehmen, das zunehmend mit vertraulichen Daten in Berührung kommt, sind auch die ethischen Aspekte zu berücksichtigen. Die Studierenden werden in diesem Zusammenhang damit vertraut gemacht, ethische Probleme im Bereich IT-Management zu erkennen, zu erfassen und Lösungsansätze zu entwickeln.

Obwohl die Bedeutung von Data Science in Unternehmen mittlerweile zu einem großen Teil anerkannt ist, wird die tatsächliche Nutzung von Data Science-Analysen zu Entscheidungszwecken oft kritisch gesehen. Zudem sind Data Science-Abteilungen oftmals qualitativ und quantitativ unterbesetzt, woraus fehlendes Vertrauen der Entscheidungsträger in die Ergebnisse der Analysen ihrer Fachkräfte resultiert. Aus diesem Grund steht in diesem Modul die Implementierung und Einführung von Data Science in einem Unternehmen im Mittelpunkt. Die Teilnehmenden lernen dabei wesentliche Konzepte unternehmerischer Entscheidungsfindung im Spannungsfeld datenwissenschaftlicher Erkenntnisse und betriebswirtschaftlicher Notwendigkeiten kennen und werden dadurch befähigt, Auswirkungen einer umfassenden Datenauswertung, -analyse und -interpretation als Teil betriebswirtschaftlicher Entscheidungsfindung zu begreifen. In diesem Zusammenhang werden folgende wichtige Themenbereiche behandelt:

• Einfluss datenwissenschaftlicher Ergebnisse auf Managemententscheidungen
• Data Science als Teil von Entscheidungsfindungsprozessen
• Verhalten und Rollenbild von Führungskräften sowie die besondere Rolle der Data Scientists
• Beschaffenheit von innovativen Teams und deren Auswirkungen auf datenwissenschaftliche Ergebnisse
• Methoden für effektive Verhandlungen und zielgerichtete Aufbereitung datenwissenschaftlicher Fragestellungen mit Führungskräften
• Methoden zur Präsentation und Diskussion datenwissenschaftlicher Ergebnisse mit Entscheidungsträgern

In diesem Modul steht der Case Analyse Zentral. Die Teilnehmer lernen wie Hauptsachen von Nebensachen zu unterscheiden sind in komplexe „real live“ Cases in der Domain Data Science und somit zum Kern des Problems zu kommen und dieses zu definieren. Auf Basis dieser Problemdefinition werden den Teilnehmern mögliche kreative Lösungen vorgeschlagen und auf Basis von bestimmten Kriterien (SMART) die Lösungen abzuwiegen. Die Teilnehmer werden zunächst einen Ansatzplan ausarbeiten, um die Lösung einzuführen. Die Rapportierung erfolgt schriftlich. Zwischendurch werden die Teilnehmer die Gelegenheit erhalten, die Problemanalyse, Lösungsvorschläge und Ansatzplan zu präsentieren und auf der Basis von Peer-Feedback/Review die Rapportierung zu verbessern/ergänzen. 

Überblick Lerninhalte:

• Case Analyse in Data Science
• Problembeschreibung darstellen
• Lösungsvorschlage kritisch abwiegen gemäß definierter Kriterien
• Peer Feedback von zwischenzeitlichen Ergebnissen
• Schriftliche Rapportierung
• Präsentieren für Feedback

Der Teilnehmer ist nach diesem Module in der Lage:

• einen komplexen Case im Kontext von Data Science kritisch zu analysieren,
• auf der Basis einer kritischen Analyse zu einen Problemergebnis zu kommen,
• kreative Lösungsvorschläge heranzubringen, um das Problem zu lösen,
• gemäß vorgegebener Kriterien die Lösungen abzuwiegen (SMART), 
• einen Ansatzplan auszuarbeiten, um die Lösungen zu realisieren in der Praxis,
• Zwischenergebnisse zu präsentieren und Peer Feedback/Review auf konstruktive Weise zu reflektieren und zu verarbeiten in die schriftliche Reportage,
• Analyse, Problembeschreibung, Lösungsvorschläge und Ansatzplan schriftlich zu erfassen auf eine konsistente Weise.

Das Modul führt in die sozialwissenschaftliche Erforschung netzbasierter Kommunikation ein. Dabei werden disziplinäre Grundlagen der empirischen Sozialforschung, speziell der Kommunikationswissenschaft und der Medienpsychologie, vermittelt. Darauf aufbauend werden verschiedene "computational methods" eingeübt, die für die Analyse von Social Media und anderen Formen der Online-Kommunikation geeignet sind. Im Speziellen kommen netzwerkanalytische Verfahren sowie Verfahren der (semi-)automatisierten Inhaltsanalyse zum Einsatz, die mit Hilfe konkreter Beispiele vertieft werden. Es werden aktuelle Programmpakete und  Analysesoftware genutzt, die in ihren grundlegenden Einsatzmöglichkeiten vorgestellt und in den Übungen praktisch angewendet werden.

Überblick Lerninhalte: 

• Einführung die sozialwissenschaftliche Forschung, grundlegende Logiken empirischer Forschung, Basismethoden in den Sozialwissenschaften
• Sozialwissenschaftliche Forschung zur Online-Kommunikation, Forschungsbereiche, Klassiker-Studien und aktuelle Ergebnisse
• Grundlagen Medienpsychologie, Forschungsbereiche, Klassiker-Studien und aktuelle Ergebnisse
• Computational Communication Research, grundlegende Herangehensweisen und Forschungslogiken
• Netzwerkanalyse, sozialwissenschaftliche und mathematische Grundlagen, Anwendungsfälle, Übungen zur Netzwerkanalyse mit Hilfe entsprechender Analysesoftware
• (Semi-)Automatisierte Inhaltsanalyse, Grundlagen, Anwendungsfälle, Vorgehensweisen, Methoden, Übungen mit Hilfe entsprechender Analysesoftware

Fachliche Kompetenzen:

Die Studierenden werden in die Lage versetzt, sozialwissenschaftliche Forschungsprojekte zu Social Media und Online-Kommunikation zu planen, umzusetzen und auszuwerten. Sie können zudem entsprechende Projekte auf Basis medienpsychologischer und kommunikationswissenschaftlicher Erkenntnisse evaluieren. Sie sind mit den Grundzügen netzwerkanalytischer Verfahren sowie Verfahren (semi-)automatisierter Inhaltsanalyse vertraut. Sie haben Kompetenzen zur Bewertung solcher Analyseverfahren erworben und können diese mit Hilfe aktueller Programmpakete bzw. Analysesoftware in konkreten Fällen anwenden.

Schlüsselqualifikationen:

Die Teilnehmer können ihre Kenntnisse und Analysefähigkeiten durch selbständiges Lernen erweitern. Zudem sind sie befähigt, entsprechende Ansätze in ihren Zielen, Vorgehensweisen und Erkenntnispotenzialen einzuschätzen. Sie haben Kompetenzen zur individuellen sowie teamorientierten Arbeit in Kleingruppen. Weiterhin können sie ihre Ergebnisse mit Hilfe von Präsentationstechniken darstellen.

Modulleitung: Prof. Dr. Thorsten Quandt

Das Modul baut auf die bisherigen Grundlagenmodule auf. Es hat zum Ziel, die erlernten Techniken in verschiedenen Anwendungskontexten beispielhaft zu diskutieren und anzuwenden. Die Anwendungskontexte können im Bereich Marketing, Customer Relationship Management, Supply Chain Management, Logistik, Unternehmensgründung oder auch Budgetallokation sein. Dabei wird kritisch diskutiert, inwiefern durch die Anwendungen Wert sowohl für den Kunden als auch für die Unternehmen geschaffen werden. Darüber hinaus werden zukünftige Entwicklungen bzgl. datengetriebenen Entscheidungen hin zu möglichen automatisierten Entscheidungen durch Maschinen kritisch besprochen.

Überblick Lehrinhalte:

• Diskussion datengetriebener Entscheidungsfindung, um Wert sowohl für den Kunden als auch für die Unternehmen zu schaffen
• Einführung in grundlegender Vorgehensweisen bzgl. datengetriebener Entscheidungsfindung in verschiedenen Anwendungsfeldern wie bspw. Marketing, Customer Relationship Management, Supply Chain Management, Logistik, Unternehmensgründung oder auch Budgetallokation
• Bewertung adäquater Analyseverfahren für das jeweilige Anwendungsfeld
• Anwendung aktueller Programmpakete bzw. Analysesoftware in konkreten Fällen anwenden.
• Diskussion zukünftige Entwicklungen bzgl. datengetriebenen Entscheidungen hin zu möglichen automatisierten Entscheidungen durch Maschinen

Fachliche Kompetenzen:

Die Studierenden werden in die Lage versetzt, Projekte zu datengetriebener Entscheidungsfindung in verschiedenen Anwendungsfeldern wie bspw. Marketing, Customer Relationship Management, Supply Chain Management, Logistik, Unternehmensgründung oder auch Budgetallokation zu planen, umzusetzen und auszuwerten. Sie erwerben Kompetenzen zur Bewertung adäquater Analyseverfahren und können diese mit Hilfe aktueller Programmpakete bzw. Analysesoftware in konkreten Fällen anwenden.

Schlüsselqualifikationen:

Die Teilnehmer werden befähigt, die erworbenen Kenntnisse und Analysefähigkeiten durch Anwendung der Studieninhalte in praktischen oder berufsorientierten Umfeldern zu vertiefen und dadurch ihre Transferkompetenz zu schulen.  Sie erlernen und vertiefen das problemlösende, teamorientierte Arbeiten in Kleingruppen sowie Kommunikationsfähigkeiten und Präsentationstechniken im Rahmen der Vorstellung ihrer Ergebnisse der Anwendungen. Aufgrund potenzieller interdisziplinärer Zusammensetzung der Teilnehmergruppe, vertiefen die Teilnehmer ebenfalls ihre Fähigkeit einer interdisziplinären Herangehensweise.

Modulleitung: Prof. Dr. Thorsten Wiesel

Aufbauend auf den in den Modulen erworbenen Kenntnissen und Fähigkeiten sollen die Studierenden zeigen, dass sie in der Lage sind, ein Entscheidungs- und Analyseproblem nach wissenschaftlichen Kriterien selbstständig zu bearbeiten. Die Bearbeitungszeit beträgt 7 Monate.