Modul (6 Credits)

Data Science in Marketing und Handel

Name im Diploma Supplement

Data Science in Marketing and Retail

Verantwortlich

• Prof. Dr. Hendrik Schröder

Voraus­setzungen

Siehe Prüfungsordnung.

Workload

180 Stunden studentischer Workload gesamt, davon:

• Präsenzzeit: 60 Stunden
• Vorbereitung, Nachbereitung: 60 Stunden
• Prüfungsvorbereitung: 60 Stunden

Dauer

Das Modul erstreckt sich über 1 Semester.

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

Praxisrelevanz

Hohe Praxisrelevanz aufgrund der Anwendung der vermittelten Data-Science-Methoden auf konkrete Fragestellungen und Daten aus der Praxis.

Prüfungs­modalitäten

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.

Verwendung in Studiengängen

• BWLVertiefungsstudiumWahlpflichtbereichVertiefungsbereich Betriebswirtschaftslehre4.-6. FS, Wahlpflicht
• LA gbF/kbF BK BaBachelorprüfung in der kleinen beruflichen FachrichtungProduktion, Logistik, AbsatzWahlpflichtbereich Kleine berufliche Fachrichtung "Produktion, Logistik, Absatz"4.-6. FS, Wahlpflicht
• VWLVertiefungsstudiumWahlpflichtbereichBereich BWL, Recht, Wirtschaftsinformatik, InformatikVertiefungsbereich Betriebswirtschaftslehre4.-6. FS, Wahlpflicht

Bestandteile

Vorlesung mit integriertem Seminar (6 Credits)

Data Science in Marketing und Handel

Name im Diploma Supplement

Data Science in Marketing and Retail

Anbieter

• Lehrstuhl für Marketing und Handel

Lehrperson

• Dr. Christian Knobloch

SWS

4

Sprache

deutsch

Turnus

unregelmäßig

maximale Hörerschaft

25

empfohlenes Vorwissen

Keines

Abstract

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 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).

Lehrinhalte

• Einführung Data Science in Marketing und Handel 
• Einführung in das visuelle Programmieren mit KNIME 
• Datenquellen in Marketing und Handel 
• Daten-Aufbereitung und Pre-Processing 
• Fortgeschrittene KNIME-Methoden 
• Muster finden (Hierarchical Clustering, k-Means Clustering, DBSCAN, Association Rules, Praxisbeispiel: Kundensegmentierung und Warenkorbanalyse mit KNIME) 
• Erklärungen finden (Confusion Matrix und ROC-Kurve, Decision Tree, Naive Bayes Classifier, Logistische Regression, Praxisbeispiel: Analyse des Kündigungsverhaltens mit KNIME) 
• Vorhersagen treffen (k-Nearest-Neighbors, Neuronale Netze, Einführung Deep Learning, Praxisbeispiel: Ermittlung des Customer Lifetime Value mit KNIME)  
• Fallstudie aus dem Marketing bzw. dem Handel 

Literaturangaben

• 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. 
• 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. 
• Miller, T. (2015): Marketing Data Science – Modeling Techniques in Predictive Analytics with R and Python; Pearson, Boston (MA). 
• 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. 

didaktisches Konzept

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.

Die Veranstaltung entspricht einem Vorlesungsanteil von 2 SWS und einem Seminaranteil von 2 SWS.

Hörerschaft

• BWLVertiefungsstudiumWahlpflichtbereichVertiefungsbereich Betriebswirtschaftslehre4.-6. FS, WahlpflichtModul "Data Science in Marketing und Handel"
• LA gbF/kbF BK BaBachelorprüfung in der kleinen beruflichen FachrichtungProduktion, Logistik, AbsatzWahlpflichtbereich Kleine berufliche Fachrichtung "Produktion, Logistik, Absatz"4.-6. FS, WahlpflichtModul "Data Science in Marketing und Handel"
• VWLVertiefungsstudiumWahlpflichtbereichBereich BWL, Recht, Wirtschaftsinformatik, InformatikVertiefungsbereich Betriebswirtschaftslehre4.-6. FS, WahlpflichtModul "Data Science in Marketing und Handel"