ITD-11

FREIGEGEBEN

ITD-11

Technology & Engineering

Data Science: Strategy

Verwendbar in den Masterstudiengängen Business Management, Wirtschaftsinformatik, Business Engineering

-

Gesamtdauer: 18,75 (=150 Stunden)

davon

Seminartage: 4 (=32 Stunden)

Selbstlerntage: 12 (= 96 Stunden)

Transfertage: 2,75 (=22 Stunden)

D / E

5 CP

K+ TA (Gewichtung: 50%/50%)

Noten werden von 1,0 bis 4,4 vergeben, ab einer Note von 4,5 gilt der Leistungsnachweis als nicht bestanden.

5 CP / 120 CP bzw. 4,17 %

Mindestens 1x pro Studienjahr

§ 10 und § 11 BerlHG in Verbindung mit RSPO und SPO

Das Modul ist ohne Vorkenntnisse aus anderen Modulen studierbar.

Prof. Dr. Peter Krug

Wissensverbreiterung

• Kenntnisse über die wesentlichen Entwicklungstrends im Bereich Business Intelligence als Basis von Data Science (DS).

• Kenntnisse über die wesentlichen Entwicklungstrends im Bereich Data Science.

• Kenntnisse über den Nutzen von DS für einzelne betriebliche Fachbereiche.

• Erweiterung der Kompetenzen zur Entwicklung und Bewertung einer BI und DS-Strategie

Wissensvertiefung

• Fähigkeit, DS-Konzepte eigenständig anwendungsorientiert planen und durchführen zu können.

• Fähigkeit, die passenden DS-Tools kennen und vergleichen zu lernen sowie Kriterien für die Auswahl zu definieren.

• Steigerung der Fähigkeiten in Bezug auf unternehmerisches Denken und Handeln, um den unternehmerischen Nutzen von DS im Hinblick auf Unternehmenssteuerung beurteilen zu können.

Wissensverständnis

• Fähigkeit, erworbenes Wissen über BI durch die obligatorischen Transferprojekte und Transferarbeiten des Studiums auf das eigene Unternehmen anwenden zu können.

• Kompetenz, um BI-Projekte interdisziplinär mittels IT-, Controlling- und Fachexpertise lösen zu können.
  
  

• Vision, Leitbild

• Zielfindung

• Analyse der Ausgangssituation

• Strategieentwicklung

• SWOT-Analyse

• BSC-Methodik

• Grundlagen von Business Intelligence.

• Elemente einer Business Intelligence Strategie

Asynchrones Lernen

☒ Pre-Reading

☒ Post-Reading

☒ E-Learning

Synchrones Lernen

☒ Seminar

☒ E-Learning

☒ Vorlesung

Transfer

☒ Transfer auf Prinzipebene

☐ Transfer auf Phänomenebene

☒ Projektarbeit

• Davenport, T. H., Harris, J. G. (2007): Competing on Analytics. The New Science of Winning, Boston.

• Eckerson, W. W. (2007): Predictive Analytics, Extending the Value of Your Data Warehousing Investment, Renton.

• Kagermann, H., Österle, H. (2006): Geschäftsmodelle 2010 - Wie CEOs Unternehmen transformieren, Frankfurt.

• Mankins, M., Steele, R. (2005): Turning Great Strategy into Great Performance, in: Harvard Business Review.

• Oehler, K. (2006): Corporate Performance Management. Mit Business Intelligence Werkzeugen, München.

• Sand, J. (2005): Performance Measurement – Übersicht über Forschungsentwicklung und –stand, in: Controlling und Management, 49(6), 429-442.

• Schäffer, U., Matlachowsky, P. (2008): Warum die Balanced Scorecard nur selten als strategisches Managementsystem genutzt wird. Eine fallstudienbasierte Analyse der Entwicklung von Balanced Scorecards in deutschen Unternehmen, in: Zeitschrift für Planung und Unternehmenssteuerung, 19, 207-232.

• Bauer, A.; Günzel, H. (2004) (Hrsg.): Data-Warehouse-Systeme, Architektur, Entwicklung, Anwendung, 2. Auflage, dpunkt-verlag.

• Buchanan, L., O`Connell A. (2006): A Brief History of Decision Making, in: Harvard Business Review, Januar.

• Hartmann, M. (2004): Berichtswesen für High-Tech-Unternehmen: Reporting mit Balanced Scorecard, webbasierten Systemen und Beteiligungsmanagement, Berlin.

• Kemper, H.-G., Mehanna, W., Unger, C. (2004): Business Intelligence, Grundlagen und praktische Anwendungen, Vieweg.

• Lehmann, P. u. a. (2006): Modelling and Reporting with SAP BW, Steinbeis-Edition.

• Reichmann, T. (2006): Controlling mit Kennzahlen und Management-Tools. Die systemgestützte Controlling Konzeption, München.

• Weber, J.; Schaier, S., Stangfeld, O. (2005): Berichte für das Top-Management. Ergebnisse einer Benchmarking-Studie, Reihe Advanced Controlling, Vallendar.