Beschreibung:

In diesem Modul lernen die Studierenden den Data-Science-Prozess kennen: Sie lernen Daten zu verstehen, aufzubereiten, zu modellieren und zu evaluieren, um so datengetriebene Antworten auf praktische Fragen aus dem Marketing und dem Handel zu generieren.

Das Modul ist als Vorlesung mit integriertem Seminar gestaltet, in deren Rahmen die Studierenden die vermittelten Lehrinhalte direkt am PC nachvollziehen, die Übungen in Kleingruppen bearbeiten und vorstellen sowie am Ende der Veranstaltung ihre Bearbeitung einer Fallstudie aus dem Marketing bzw. dem Handel präsentieren.

Das geschieht unter Zuhilfenahme der an der Universität Konstanz entwickelten Data-Mining-Software KNIME. Über das "visuelle Programmieren" in Workflows kann KNIME im gesamten Data-Science-Prozess eingesetzt werden und enthält zahlreiche Module („Knoten“) für die Analyse von Big Data (u.a. Apache Hadoop inkl. Hive und Spark), Text Mining, Machine Learning (u.a. Decision Trees, Random Forests), Neuronale Netze und Deep Learning (Keras-Layer).

Qualifikationsziele:

Die Studierenden

• kennen den Data-Science-Prozess,
• kennen die Datenquellen in Marketing und Handel und können die gewonnen Daten aufbereiten,
• können mit der Data-Mining-Software KNIME umgehen ,
• verstehen die Verfahren im Data Science, insbes. Verfahren des Machine Learning,
• wenden unterschiedliche Data-Science-Verfahren im Rahmen von Praxisbeispielen aus dem Marketing und dem Handel an,
• analysieren und interpretieren die Ergebnisse der einzelnen Data-Science-Verfahren,
• präsentieren und diskutieren die Ergebnisse im Plenum.

Gliederung:

1. Einführung Data Science in Marketing und Handel
    
2. Einführung in das visuelle Programmieren mit KNIME
    
3. Daten in Marketing und Handel
    
4. Datenverständnis und Datenaufbereitung
    
5. Fortgeschrittene KNIME-Methoden
    
6. Muster finden (k-Means Clustering, Hierarchical Clustering, DBSCAN, Association Rules, Praxisbeispiel: Kundensegmentierung und Warenkorbanalyse mit KNIME)
    
7. Erklärungen finden (Lineare Regression, Confusion Matrix und ROC-Kurve, Decision Tree, Logistische Regression, Praxisbeispiel: Analyse des Kündigungsverhaltens mit KNIME)
    
8. Vorhersagen treffen (Random Forest, Neuronale Netze, Einführung Deep Learning, Praxisbeispiel: Ermittlung des Customer Lifetime Value mit KNIME)
    
9. Fallstudie(n) aus Marketing und Handel

Literatur:

• Berthold, M.; Borgelt, C.; Höppner, F.; Klawonn, F.; Silipo, R. (2020): Guide to Intelligent Data Science – How to Intelligently Make Use of Real Data; Springer Nature, Cham.
• Linoff, G.; Berry, M. (2011): Data Mining Techniques – For Marketing, Sales, and Customer Relationship Management; Wiley, Indianapolis.
• De Mauro, A. (2021): Data Analytics Made Easy – Analyze and present data to make informed decisions without writing any code; Packt, Birmingham.
• Melcher, K.; Silipo, R. (2020): Codeless Deep Learning with KNIME – Build, train, and deploy various deep neural network architectures using KNIME Analytics Platform; Packt, Birmingham.
• Provost, F.; Fawcett, T. (2013): Data Science for Business – What you need to know about data mining and data-analytic thinking; O’Reilly Media, Sebastopol (CA).
• Otte, R. (2019): Künstliche Intelligenz für Dummies; Wiley-VCH, Weinheim.
• Wagener, A. (2019): Künstliche Intelligenz im Marketing – ein Crashkurs; Haufe, Freiburg.

Prüfungsart:

Zum Modul erfolgt eine modulbezogene Prüfung in Gestalt von einer Präsentation (in der Regel 15 Minuten, 70 % der Note) und Bearbeitung von Hausaufgaben (30% der Note). Die Anzahl der Hausaufgaben wird zu Beginn des Semesters bekanntgegeben.

Formalia:

• Wahlpflichtbereich
• Die Teilnehmerzahl ist auf 25 begrenzt.
• Link zum Moduleintrag im interaktiven Modulhandbuch
   
• Anmeldung zu der Veranstaltung

Wir übernehmen die Einschreibung in Moodle für Sie. Bitte melden Sie sich dafür zunächst über die Veranstaltungsregistrierung an.