FND-09-002

Siehe Studienverlaufsplan

Pflicht

Prof. Dr. Axel Lamprecht

Deutsch / Englisch

Mind. 1 x jährlich

1 Semester

150 Std.

Präsenz: 32 Std. | Selbststudium: 56 Std. | Transfer: 62 Std.

5 CP

Klausur (60 min.)

Seminar (Präsenzlehre), ergänzend Selbststudium und Transfer, ggf. E-Learning, Pre- und Post-Reading.

• Multivariante Analysemethoden: Anwendung fortgeschrittener statistischer Verfahren zur Analyse komplexer Datensätze

• Datengewinnung und -aufbereitung: Datenbereinigung, Imputation fehlender Werte und Transformationstechniken, Umgang mit großen Datenmengen

• Regressionsanalyse und erweiterte multiple Regressionstechniken

• Zeitreihenanalyse, Modellierung und Vorhersage zeitabhängiger Daten

• Varianzanalyse: Ein- und mehrfaktorielle Varianzanalyse (ANOVA), mulivariate Varianzanalyse, MANOVA), Kovarianzanalyse, Interpretation und statistische Tests zur Signifikanzbewertung

• Diskriminanzanalyse, Methoden zur Klassifikation und Gruppenzuordnung

• Repräsentationsverfahren und Faktorenanalyse (z.B. Hauptkomponentenanalyse)

• Clusteranalyse, scharfe und unscharfe Klassifikationsverfahren, Klassifikationsheuristiken

• Arbeiten mit Tools und Praxisanwendungen

• Multivariate Analysis Methods: Application of advanced statistical techniques for analyzing complex datasets.

• Data Collection and Preprocessing: Data cleaning, missing value imputation, and transformation techniques; handling large datasets.

• Regression Analysis and Advanced Multiple Regression Techniques.

• Time Series Analysis: Modeling and forecasting time-dependent data.

• Variance Analysis: One-way and multi-factor variance analysis (ANOVA), multivariate variance analysis (MANOVA), covariance analysis, interpretation, and statistical significance testing.

• Discriminant Analysis: Methods for classification and group assignment.

• Dimensionality Reduction and Factor Analysis (e.g., Principal Component Analysis - PCA).

• Cluster Analysis: Hard and fuzzy classification methods, classification heuristics.

• Working with Tools and Practical Applications.

Das Modul ist ohne Vorkenntnisse aus anderen Modulen studierbar.

Nach erfolgreichem Abschluss des Moduls sind die Studierenden in der Lage:

• Problemstellungen aus dem Bereich der Statistik fundiert zu analysieren, aktuelle Trends zu kennen und deren Bedeutung als Grundlage für Künstliche Intelligenz (KI) und maschinelles Lernen zu bewerten.

• Den Nutzen statistischer Methoden für das Management und Business Intelligence (BI) zu erkennen und gezielt in Entscheidungsprozesse zu integrieren.

• Statistische Methoden im betrieblichen Umfeld zu bewerten und anwendungsbezogen zur Datenanalyse und Entscheidungsfindung einzusetzen.

• Eigenständig statistische Analysen im Unternehmenskontext zu planen, durchzuführen und die Ergebnisse praxisrelevant zu interpretieren.

• Für spezifische betriebliche Problemstellungen geeignete statistische Methoden auszuwählen und fundierte Schlussfolgerungen abzuleiten.

• Unternehmerisches Denken und datenbasierte Entscheidungsfindung zu nutzen, um den wirtschaftlichen Mehrwert statistischer Analysen für betriebliche Prozesse und strategische Entscheidungen zu bewerten.

• Erworbene statistische Kenntnisse in praxisnahen Transferprojekten gezielt auf verschiedene Unternehmensbereiche anzuwenden und datengetriebene Lösungen zu entwickeln.

• Managementprobleme mit statistischen Methoden zu analysieren und durch datenbasierte Entscheidungsunterstützung zur Lösung beizutragen.

After successfully completing the module, students will be able to:

• Analyze statistical problems in a well-founded manner, understand current trends, and assess their significance as a foundation for Artificial Intelligence (AI) and Machine Learning.

• Recognize the value of statistical methods for management and business intelligence (BI) and integrate them purposefully into decision-making processes.

• Evaluate statistical methods in a business environment and apply them for data analysis and decision-making.

• Independently plan, conduct, and interpret statistical analyses in a corporate context with practical relevance.

• Select appropriate statistical methods for specific business challenges and derive well-founded conclusions.

• Apply entrepreneurial thinking and data-driven decision-making to assess the economic value of statistical analyses for business processes and strategic decisions.

• Utilize acquired statistical knowledge in practical transfer projects to address various business areas and develop data-driven solutions.

• Analyze management problems using statistical methods and contribute to their resolution through data-driven decision support.

Verwendbar in den Masterstudiengängen Wirtschaftsinformatik, IT-Systems Engineering

Zum Selbststudium empfiehlt sich den Studierenden folgende Literatur: / For self-study, the following literature is recommended for students:

• Backhaus, K., Erichson, B., Plinke, W., Weiber, R. (2016): Multivariate Analysemethoden, 14. Aufl., Berlin.

• Ronning, G. (2005): Statistische Methoden in der empirischen Wirtschaftsforschung, Münster.

• Winker, P. (2010): Empirische Wirtschaftsforschung und Ökonometrie, 3. Auflage, Heidelberg.

• Fahrmeir L., Heumann C., et al. (2016): Statistik: Der Weg zur Datenanalyse.

• Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2018). Multivariate Data Analysis (8th ed.). Cengage Learning.

• Izenman, A. J. (2008). Modern Multivariate Statistical Techniques: Regression, Classification, and Manifold Learning. Springer.

• Johnson, R. A., & Wichern, D. W. (2018). Applied Multivariate Statistical Analysis (6th ed.).

• Tabachnick, B. G., & Fidell, L. S. (2019). Using Multivariate Statistics (7th ed.). Pearson.

Keine