Aufbau und Inhalte

Das zweitägige Modul beginnt mit einem Einführungstag, der von der Dozentin sowie allen Dozenten gestaltet wird, zum Kennenlernen des Programms sowie der Teilnehmer untereinander. Darauf aufbauend stellen die Dozentin sowie die Dozenten die Grundlagen ihres jeweiligen Fachs und die Relevanz von Big Data (u. a. durch Erfolgsgeschichten) und analytischer Vorgehensweise in dem jeweiligen Kontext dar.

Ein Großteil der Daten, die mit dem Label „Big Data“ bezeichnet werden, entsteht aus Interaktions- und Kommunikationsprozessen von Menschen in Online-Netzwerken. Die Bedeutung solcher Daten erschließt sich nicht allein aus einer rein technischen Betrachtung – vielmehr handelt es sich um Verhaltensspuren, die erst unter Zuhilfenahme gesellschaftswissenschaftlicher Ansätze einen tieferen Sinn erhalten. Will man ‚Big Data’ verstehen, muss man sich folglich mit den Logiken, Abläufen und Strukturen gesellschaftlicher Kommunikationsprozesse auseinandersetzen. Kommunikationswissenschaftliche Forschung bietet hierzu sowohl theoretische wie methodische Ansätze, und darüber hinaus ein Repertoire an empirisch gesicherten Kenntnissen.

Das Modul gibt einen Überblick über zentrale Perspektiven auf Online-Kommunikation und die wichtigsten Forschungsergebnisse, die bei einer Analyse hilfreich sind. Zudem werden relevante methodische Vorgehensweisen diskutiert - von der (Online-) Befragung über verschiedene Formen der Beobachtung (auch unter Zuhilfenahme von bestehenden Datensätzen und den dort manifesten Verhaltensspuren) bis hin zur Inhaltsanalyse (einschließlich automatisierter und halbautomatisierter Verfahren). Besonderes Augenmerk gilt dabei den Spezifika der Kommunikation in Netzwerken, die sich in vielerlei Hinsicht von anderen Formen der (Individual- oder Massen-) Kommunikation unterscheidet.

Gleichzeitig ist ein Verständnis für die technologischen Grundlagen von Business Analytics Grundvoraussetzung. Die zeitnahe Bereitstellung aktueller Daten aus dem operativen Geschäftsbetrieb und die Zusammenführung dieser Daten mit Daten aus unterschiedlichsten externen Quellen zum Zwecke der Analyse, der Entscheidungsvorbereitung und der Prognose wird in Zeiten von Big Data immer wichtiger. Bisher boten Data Warehouses als Grundlage für OLAP- sowie Data Mining-Anwendungen hier die angemessene Informationstechnik. Dabei werden aus einer oder mehreren Datenquellen, bei denen es sich meist um operationale Datenbanken handelt, relevante Kenngrößen und Unternehmensdaten über einen ETL-Prozess (für Extraction, Transformation, Loading); auf diesem setzen dann die Anwendungen auf.

Dieser Ansatz bedarf in Zeiten, in denen die Datenbestände groß genug sind, um signifikant von paralleler Verarbeitung in einer Armada von Rechnern zu profitieren, einer umfassenden Überarbeitung, sowohl was die IT-Architektur als auch was die verwendete Rechentechnik betrifft. Daher widmet sich dieses Modul einerseits modernen Entwicklungen im Datenbankbereich (wie Hauptspeichersysteme, No/NewSQL-Systeme) und andererseits Rechenparadigmen wie Map-Reduce und deren Realisierung im Rahmen des Hadoop-Ecosystems.

Schließlich wird ein Rückbezug vorgenommen zur eingangs betrachteten Data Warehouse-Architektur, die in Gegenwart von Big Data einer Erweiterung bedarf. Gleichzeitig werden Anknüpfungspunkte für die folgenden Module geschaffen.

Analytische Fähigkeiten werden im Zuge der zunehmenden Bereitstellung wachsender Datenmengen immer wichtiger und somit auch der gesamte Bereich Business Analytics bzw. Business Intelligence.  Das Modul stellt zunächst wichtige Grundkenntnisse aus dem Bereich der Statistik und der quantitativen Analysemethoden bereit. Nachfolgend wird der Fokus auf die Datenvorverarbeitung gelegt, die generell und gerade im Big Data Kontext die Basis für sinnvolle Analysen bildet (“Garbage In – Garbage Out“). Statistische Open-Source-Software-Tools werden eingeführt und angewendet zur Visualisierung und multivariaten Auswertung von Datensätzen. Speziell hinsichtlich großer Datenmengen adaptierte Methoden werden konzeptionell vorgestellt und der Bezug zu Anwendungsfeldern u.A.  im Marketing und den Kommunikationswissenschaften hergestellt.

Aufbauend auf den Inhalten von Prof. Trautmann in Bezug auf wichtige Grundkenntnissen aus dem Bereich der Statistik, Diskussion der Datenvorverarbeitung und Darstellung verschiedener quantitativer Analysemethoden werden die Theorien und Methoden verschiedener analytischer Ansätze im Marketing diskutiert und auf unterschiedliche Fragestellungen der marktorientierten Unternehmensführung angewendet. Dabei werden als erstes Ansätze der Kundenanalyse (z.B. Kundenwertanalysen, Analyse des Kaufverhaltens, Analysen im Handel, Customer Journey Analysen) betrachtet, darauf folgend werden Vorgehensweisen bezüglich der Marke eines Unternehmens (z.B. Markenwertermittlung, Brand Tracking) behandelt. Weiterhin werden Marketinganalysen und deren Implikationen im digitalen Umfeld diskutiert, die sich u.a. mit dem Klickverhalten von Konsumenten auf Webseiten (Web Analytics), dem Verhalten von Konsumenten mit mobilen Endgeräten (Mobile Analytics). Abschließend werden Möglichkeiten und Herausforderungen bezüglich der Implementierung von Marketing Analytics in der Unternehmenspraxis und der Art und Weise der Darstellung bzw. Unterstützung zur Entscheidungsfindung besprochen.

Das Modul beginnt mit einer kurzen Wiederholung und Vertiefung der Marketinganalysen des vorrausgegangenen Moduls. Dann werden Ansätze weiterer Analysen und deren Implikationen im digitalen Umfeld diskutiert, unter anderem den Äußerungen von Kunden in sozialen Medien (Social Media Analytics).

Innerhalb des abschließenden Moduls präsentieren die Teilnehmer die Ergebnisse ihrer Projektarbeit, die dann mit allen Teilnehmern und Dozenten diskutiert wird.