Lehre

S1: Digitaler Daten Darwinismus

Der Aufstieg von Predictive Analytics

Inhalt

In Zeiten des digitalen Daten Darwinismus überlebt oftmals das Unternehmen, das unter Faktoren wie steigendem Wettbewerb und niedrigen Markteintrittsbarrieren, die Bedeutung von Informationen (Daten) als wertvolle Unternehmensressource und wichtigen Wettbewerbsfaktor anerkannt und verstanden hat (Kollmann, 2016; Weiber & Kollmann, 1998). Dabei nutzen die Unternehmen historische oder aktuelle Datenbasen aus unterschiedlichen Bereichen wie u. a. transaktionsbasierte, vertriebsbasierte, marketingbasierte oder kundenbasierte Daten (Waller & Fawcett, 2013), die entsprechend in unterschiedlichen Typisierungen vorliegen können (bspw. transaktionale Daten, Bilder, Videos o.ä.). Predictive Analytics stellt dabei ein Prognoseverfahren dar, durch das Daten analysiert sowie zusammen mit Statistiken und Machine-Learning-Techniken angewendet werden, um prädikative Modelle zu erstellen (Shmueli & Koppius, 2011). Diese Modelle haben zum Ziel möglichst genaue quantitative Zukunftsvorhersagen zu treffen und indessen die Unternehmung möglichst ressourcensparend auszurichten. Vor diesem Hintergrund wird der Einsatz von Predictive Analytics durch Unternehmen in der Zukunft immer unverzichtbarer (Schoenherr & Speier‐Pero, 2015). Dabei können prädikative Modelle zum einen für operative Prozesse, jedoch auch für taktische oder strategische Entscheidungen eingesetzt werden und stellen somit ein wichtiges Werkzeug für das Management dar (Kollmann, 2016). Nach Kollmann (2016, S.391) können auf Basis von Daten Aufschlüsse über genaue „Kundenbedürfnisse, Kaufmotive, Nachfragepotenziale und vorangegangene Käufe von Kunden“ gewonnen werden. Durch eine tiefgreifende Analyse können gezielter Entscheidungen durch das Management getroffen werden da beispielsweise genaue zukunftsbezogene Bedarfspotenziale der Kunden spezifisch herausgearbeitet werden können (Kollmann, 2013, 2016).

Vor diesem Hintergrund möchten wir uns in diesem Seminar mit relevanten Forschungsfragen rund um das Thema „Predictive Analytics“ befassen. Mögliche Fragestellungen lauten hier:

  • Wie erleichtert Predictive Analytics die strategischen Managemententscheidungen?
  • Welche unterschiedlichen statistischen Verfahren und/oder Machine-Learning Techniken werden im Rahmen von Predictive Analytics angewendet?
  • Wie hat sich die Nutzung von Predictive Analytics in den unterschiedlichen Branchen bereits etabliert?
  • Welche Anwendung findet Predictive Analytics auf Geschäftsmodellebene?

Es wird erwartet, dass die Seminarteilnehmer sowohl deutsche als auch englischsprachige Primärliteratur lesen und aufbereiten. Englischsprachige Seminararbeiten und Präsentationen sind ebenfalls möglich und willkommen (siehe unten).

Themen

Nutzung von Predictive Analytics auf Geschäftsmodellebene (Beispielthemen)

  • Optimierung von Supply Chain Prozessen mit Hilfe von Predictive Analytics
  • Einsatzmöglichkeiten von Predictive Analytics im Projektmanagement
  • Nutzung von Predictive Analytics zur Beobachtung des Marktes/des Wettbewerbs
  • Die Einsatzmöglichkeit von Predictive Analytics zur Churnrate-Verringerung

Nutzung von Predictive Analytics auf Branchenebene (Beispielthemen)

  • Anwendung von Predictive Analytics in der Medizin/Medizintechnik
  • Einsatzmöglichkeiten von Predictive Analytics in der Automobilindustrie

 

Allgemeine Informationen

  • Fach-/Hauptseminar für die Bachelor- und Masterstudiengänge BWL und WiInf
  • Betreuerin: Katharina de Cruppe, M.A.
  • Die Einführungsveranstaltung findet am Dienstag, 16.04.2019 von 14:00-15:30 Uhr statt. Der Raum wird noch bekanntgegeben.
  • Die Themenvergabe wird in der Einführungsveranstaltung stattfinden
  • Die Teilnehmeranzahl ist auf 10 Teilnehmer/innen begrenzt
  • Präsentationstermin: voraussichtlich Ende Juni/Anfang Juli 2019, Blockveranstaltung von 9:00 – 17:00 Uhr, genaues Datum sowie Raum wird noch bekanntgegeben.
  • Die Seminararbeit kann in deutscher oder englischer Sprache geschrieben werden

Anmeldung

  • Bewerbung über die Webseite des Lehrstuhls bis zum 04.04.2019 um 23:59 Uhr.
  • Zur Bewerbung bitte hier klicken: Bewerbungsformular (Link erreichbar während des Anmeldezeitraums).
  • Bitte benutzen Sie zur Anmeldung Ihre offizielle E-Mail-Adresse, die Sie von der Universität Duisburg-Essen bekommen haben (z. B. max.mustermann(at)stud.uni-due.de).
  • Vergabe der Seminarplätze bis spätestens 09.04.2019 per E-Mail an die Bewerber.
  • Eine „Themen-Reservierung“ vor der Kick-off-Veranstaltung ist nicht möglich.

Relevante Literatur (Auszug)

    Kollmann, T. (2013). Online-Marketing-Grundlagen der Absatzpolitik in der Net Economy. Stuttgart: Kohlhammer.

    Kollmann, T. (2016). E‐Business–Grundlagen elektronischer Geschäftsprozesse in der Digitalen Wirtschaft. (Vol. 6). Wiesbaden: Springer.

    Schoenherr, T., & Speier‐Pero, C. (2015). Data science, predictive analytics, and big data in supply chain management: Current state and future potential. Journal of Business Logistics, 36(1), 120-132.

    Shmueli, G., & Koppius, O. R. (2011). Predictive analytics in information systems research. MIS quarterly, 35(3), 553-572.

    Waller, M. A., & Fawcett, S. E. (2013). Data science, predictive analytics, and big data: a revolution that will transform supply chain design and management. Journal of Business Logistics, 34(2), 77-84.

    Weiber, R., & Kollmann, T. (1998). Competitive advantages in virtual markets-perspectives of “information-based marketing” in cyberspace. European Journal of Marketing, 32(7/8), 603-615.