Data Science

Service Analytics

  • Type: Vorlesung (V)
  • Semester: SS 2016
  • Time: 19.04.2016
    15:45 - 17:15 wöchentlich
    11.40 Raum 231 11.40 Kollegiengebäude am Ehrenhof


    26.04.2016
    15:45 - 17:15 wöchentlich
    11.40 Raum 231 11.40 Kollegiengebäude am Ehrenhof

    03.05.2016
    15:45 - 17:15 wöchentlich
    11.40 Raum 231 11.40 Kollegiengebäude am Ehrenhof

    10.05.2016
    15:45 - 17:15 wöchentlich
    11.40 Raum 231 11.40 Kollegiengebäude am Ehrenhof

    17.05.2016
    15:45 - 17:15 wöchentlich
    11.40 Raum 231 11.40 Kollegiengebäude am Ehrenhof

    24.05.2016
    15:45 - 17:15 wöchentlich
    11.40 Raum 231 11.40 Kollegiengebäude am Ehrenhof

    31.05.2016
    15:45 - 17:15 wöchentlich
    11.40 Raum 231 11.40 Kollegiengebäude am Ehrenhof

    07.06.2016
    15:45 - 17:15 wöchentlich
    11.40 Raum 231 11.40 Kollegiengebäude am Ehrenhof

    14.06.2016
    15:45 - 17:15 wöchentlich
    11.40 Raum 231 11.40 Kollegiengebäude am Ehrenhof

    21.06.2016
    15:45 - 17:15 wöchentlich
    11.40 Raum 231 11.40 Kollegiengebäude am Ehrenhof

    28.06.2016
    15:45 - 17:15 wöchentlich
    11.40 Raum 231 11.40 Kollegiengebäude am Ehrenhof

    05.07.2016
    15:45 - 17:15 wöchentlich
    11.40 Raum 231 11.40 Kollegiengebäude am Ehrenhof

    12.07.2016
    15:45 - 17:15 wöchentlich
    11.40 Raum 231 11.40 Kollegiengebäude am Ehrenhof

    19.07.2016
    15:45 - 17:15 wöchentlich
    11.40 Raum 231 11.40 Kollegiengebäude am Ehrenhof


  • Lecturer: Prof.Dr. Thomas Setzer
    Prof. Dr. Hansjörg Fromm
  • SWS: 2
  • Lv-No.: 2595501
Voraussetzungen

Empfehlungen:

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

Literaturhinweise
  • Business Forecasting, Wilson, J. H., Keating, B., McGraw-Hill, 2002
  • Multivariate Data Analysis, Hair, J. F., Black, B., Babin, B., Anderson, R. E., 2008
  • Analytics at Work, Davenport, T. H., Harris, J. G., Morion, R., Harward Business Press, 2010
  • Business Analytics for Managers, Jank, W., Springer, 2011

Online Quellen:

  • The data deluge, The Economist, Feb. 2010
  • Competing on Analytics, T. Davenport in Harward Business Review, Feb. 2007
  • Mit Advanced Analytics können Händler Kundendaten optimal nutzen, McKinsey Handelsmarketing, Feb. 2011

Weitere Pflichtliteratur wird in der Vorlesung bekannt gegeben.

Lehrinhalt

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.

Arbeitsbelastung

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

Ziel

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.

Prüfung

Die Erfolgskontrolle erfolgt in Form einer schriftlichen Prüfung (60 min) (nach §4(2), 1 SPO). Durch die erfolgreiche Teilnahme am Übungsbetrieb als Erfolgskontrolle anderer Art (nach §4(2), 3 SPO) kann ein Bonus erworben werden. Liegt die Note der schriftlichen Prüfung zwischen 4,0 und 1,3, so verbessert der Bonus die Note um eine Notenstufe (0,3 oder 0,4). Der Bonus gilt nur für die Haupt- und Nachklausur des Semesters, in dem er erworben wurde.