Empfehlungen:

Die Lehrveranstaltung richtet sich an Studierende im Masterstudium mit grundlegendem Wissen in den Gebieten Operations Research sowie deskriptive und induktive Statistik.

• The Geometry of Multivariate Statistics, Wickens, T. D., Psychology Press, 2014.
• Data Mining: Concepts and Techniques, Han, J., Pei, J., Kamber, M., Elsevier, 2011.
• Data Mining and Analysis, Zaki, M. J., Meira Jr, W., Meira, W., Cambridge University Press, 2014.
• An Introduction to Statistical Learning with Applications in R, James, G. et al., Springer, 2013.
• Forecasting – Principles and Practice, Hyndman, R. J., Athanasopoulos, G., OTexts, 2018.
• Fundamentals of Predictive Text Mining, Weiss S. M. et al., Springer, 2015.
  

Paper:

• How Big Data can make Big Impact: Findings from a systematic review and a longitudinal case study. International Journal of Production Economics, 2015.
• Business Intelligence and Analytics: from Big Data to Big Impact, Chen, H. et al., MIS quarterly, 2012.
• Building Watson – An Overview of the DeepQA Project, Ferrucci, D. et al., AI Magazine, 2010.
  

Weitere Pflichtliteratur wird in der Vorlesung bekannt gegeben.

Heutige serviceorientierte Unternehmen beginnen damit die Art wie Services geplant, ausgeführt und personalisiert werden zu optimieren, indem sie große Mengen an Daten von Kunden, IT-Systemen oder Sensoren analysieren. Indem Statistik und Optimierungsmethoden weiter fortschreiten, werden Fähigkeiten und Expertise in fortgeschrittener Datenanalyse und daten- bzw. tatsachenbezogener Optimierung überlebenswichtig für die Wettbewerbsfähigkeit eines Unternehmens. In dieser Vorlesung werden relevante Methoden und Werkzeuge als Bündel betrachtet, wobei ein starker Fokus auf ihre gegenseitige Wechselbeziehung gelegt wird. Studierende lernen große Mengen an potenziell unvollständigen und ungenauen Daten zu analysieren und zu strukturieren, multivariate Statistiken zum Filtern und Reduzieren der Daten anzuwenden, zukünftiges Verhalten und Systemdynamik vorherzusagen sowie daten- und tatsachenbasierende Serviceplanung und Entscheidungsmodelle zu formulieren.

Die Veranstaltungen dieser Vorlesung enthalten im Detail:

• Gemeinschaftliches Schaffen von Wert zwischen Unternehmen
• Ausstattung, Messen und Monitoring von Servicesystemen
• Deskriptive, voraussagende und präskriptive Analyse
• Nutzungsmerkmale und Kundendynamik
• Big Data, Dimensionalitätsreduktion und Echtzeitanalyse
• Systemmodelle und "Was wäre wenn"-Analyse
• Robuste Mechanismen für Servicemanagement
• Industrieanwendungen für Serviceanalytik

Übung
Vorlesungsbegleitend findet eine Übung statt.

Gesamtaufwand bei 4,5 Leistungspunkten: ca. 135.0 Stunden

Präsenzzeit: 30 Stunden

Vor – und Nachbereitung der LV: 45.0 Stunden

Prüfung und Prüfungsvorbereitung: 60.0 Stunden

Die Studierenden sind in der Lage, große Mengen verfügbarer Daten systematisch zur Planung, zum Betrieb, zur Personalisierung und zur Verbesserung von komplexen Dienstleistungesangeboten – insbesondere von IT-Diensten – einzusetzen. Sie erlernen ein integriertes methodisches Vorgehen, von der Analyse und Strukturierung eventuell unvollständiger oder ungenauer Daten, über Methoden aus der multivariaten Statistik zum Filtern und Reduzieren der Daten, bis hin zu Prognosetechniken und robusten Planungs- und Kontrollverfahren zur Entscheidungsunterstützung.

Die Erfolgskontrolle erfolgt in Form einer schriftlichen Prüfung (60 min) (nach §4(2), 1 SPO).