Der Kurs Data Science bietet den Rahmen, um aus Daten Wert zu schaffen. Nach einer Einführung behandelt der Kurs, wie geeignete Anwendungsfälle identifiziert und die Leistung von datengesteuerten Methoden bewertet werden. Der Kurs behandelt Techniken für die technische Verarbeitung von Daten und stellt dann fortgeschrittene mathematische Techniken und ausgewählte Methoden der künstlichen Intelligenz vor, die zur Datenanalyse und für Vorhersagen verwendet werden.

1. Einführung Data Science
   1. Überblick über Data Science
   2. Tätigkeiten der Data Science
   3. Datenquellen
   4. Deskriptive Statistik
2. Use Cases und Bewertung
   1. Data Science Use Cases (DSUCs)
   2. Bewertung
3. Datenvorverarbeitung
   1. Übermittlung von Daten
   2. Datenqualität, Bereinigung und Transformation
   3. Datenvisualisierung
4. Verarbeitung von Daten
   1. Stufen der Datenverarbeitung
   2. Methoden und Arten der Datenverarbeitung
   3. Ausgabeformate der verarbeiteten Daten
5. Ausgewählte mathematische Techniken
   1. Hauptkomponentenanalyse
   2. Clusteranalyse
   3. Lineare Regression
   4. Zeitreihenanalyse
   5. Methoden zur Datentransformation
6. Ausgewählte Techniken der künstlichen Intelligenz
   1. Stütz-Vektor-Maschinen
   2. Künstliche neuronale Netze
   3. Weitere Ansätze

Nachdem ein Unternehmen seine strategischen Ziele festgesetzt hat, steht das Management des Unternehmens vor der Herausforderung diese in die Praxis umzusetzen. Performance Measurement und Performance Management unterstützen in diesem Zusammenhang die Umsetzung von strategischen Zielen mit Hilfe von finanziellen und nicht-finanziellen Kennzahlen. Vor diesem Hintergrund lernen Studierende die Funktionen und Aufgaben von Performance Measurement und Performance Management als Teilaufgabe des allgemeinen Managements kennen. Darüber hinaus wird auch ein Verständnis verschiedener Aspekte des Performance-Begriffs vermittelt (z.B. finanzielle Performance-Treiber im Economic Value Added Ansatz, Bedeutung von Kunden im Customer Lifetime Value Modell, Analyse von Prozesstreibern als Teil eines kontinuierlichen Verbesserungsprogramms). Ein umfangreiches Verständnis von Konzepten zur Messung der finanziellen Performance ist eine zentrale Grundlage, um besser operative Performance-Treiber zu identifizieren und analysieren.

1. Performance Measurement als Teil des Managements
   1. Theorien vor 1950
   2. Theorien nach 1950
2. Performance aus finanzieller Sicht
   1. Überprüfung traditioneller Modelle der finanziellen Performance-Messung
   2. Der Economic Value Added (EVA) Ansatz
3. Treiber und Einflussfaktoren der operativen Performance
   1. Fünf operative Performance-Ziele
   2. Analyse von Performance-Treibern
4. Kundenrentabilitätsanalyse, Customer Lifetime Value und Benchmarking
   1. Kundenrentabilitätsanalyse
   2. Customer Lifetime Value
   3. Benchmarking
5. Bewertung und Management von intellektuellem Kapital
   1. Herausforderungen bei der Performance-Messung unter Berücksichtigung von intellektuellem Kapital
   2. Ansätze zur Bewertung und Messung von intellektuellem Kapital
6. Performance-Measurement-Konzepte
   1. Ziele von Performance-Measurement-Systemen
   2. Die Balanced Scorecard
   3. Performance Prism und SMART Pyramid
   4. European Foundation for Quality Management (EFQM)
7. Gemeinsame Merkmale verschiedener Konzepte
   1. Vergleich von Balanced Scorecard und EFQM-Excellence-Modell
   2. Herausforderungen bei der Implementation von Performance Measurement

Bei Business Intelligence geht es um die Generierung von Informationen auf Basis von Betriebsdaten. Sie dient dazu, zielorientierte Managementpraktiken sowie die Optimierung relevanter Geschäftsaktivitäten zu ermöglichen.

Dieser Kurs stellt Techniken, Methoden und Modelle für die Datenbereitstellung und die Erzeugung, Analyse und Verbreitung von Informationen vor und diskutiert sie.

1. Motivation und Einführung
   1. Motivation und historische Entwicklung des Feldes
   2. Business Intelligence als Framework
2. Datenbereitstellung
   1. Operative und dispositive Systeme
   2. Das Data-Warehouse-Konzept
   3. Architekturvarianten
3. Data Warehouse
   1. Der ETL-Prozess
   2. DWH- und Data-Mart-Konzepte
   3. ODS und Metadaten
4. Modellierung multidimensionaler Datenräume
   1. Datenmodellierung
   2. OLAP-Würfel
   3. Physikalische Speicherkonzepte
   4. Sternenschema und Schneeflockenschema
   5. Historisierung
5. Analytische Systeme
   1. Freiform-Datenanalyse und OLAP
   2. Berichtssysteme
   3. Modellbasierte Analysesysteme
   4. Konzeptorientierte Systeme
6. Verteilung und Zugriff
   1. Informationsverteilung
   2. Informationszugang
7. Aktuelle und zukünftige Anwendungsfelder von Business Intelligence
   1. Mobile Business Intelligence
   2. Predictive and Prescriptive Analytics
   3. Künstliche Intelligenz
   4. Agile Business Intelligence

Dem Marketing steht heute eine Vielzahl von Online-Instrumenten und Daten zur Verfügung. Allerdings fehlt häufig auf Grund der Menge an Informationen der Überblick, welche Daten, welche Informationen und welche Kennzahlen den Erfolgsbeitrag der jeweiligen Onlinemaßnahmen ab Besten messen und dokumentieren.

1. Grundlagen und Aufgaben von Digital Analytics
   1. Einführung und Definition von Digital Analytics
   2. Ziele von Digital Analytics
   3. Daten- und Informationsquellen
   4. Rechtliche Rahmenbedingungen
2. Metriken von Digital Analytics
   1. Grundlagen zu Metriken
   2. Hits, Seitenaufrufe, Besuche und Besucher
   3. Weitere Metriken
   4. Grenzen von Metriken: Ungenauigkeiten und Unschärfen
3. Digitale Key Performance Indicators (KPIs) und deren Analyse
   1. Suchmaschinenmarketing: Kennzahlen und Analyseansätze
   2. Social Media: Monitoring und Analyseansätze
   3. Website: Kennzahlen und Analyseansätze
   4. Email: Kennzahlen und Analyseansätze
4. Digital Strategy Development
   1. Grundlagen der Customer Journey
   2. Ableitung von digitalen Marketingzielen entlang der Customer Journey
   3. Anwendungs- und Gestaltungsmöglichkeiten für Digital & Mobile Campaigns
   4. Anwendungs- und Gestaltungsmöglichkeiten für Content Marketing
   5. Kontrolle der Strategie- und Maßnahmenumsetzung
5. Weiterentwicklungen und Perspektiven der Digital Analytics