Modulhandbuch

Bachelor: Bachelor Digital Business im Fernstudium

Letzte Aktualisierung : 28.04.2020

Inhalte
Semester 4
Modul Marktforschung (BMFO)

5 ECTS

Modulbezeichnung: Marktforschung

Modulnummer:

BMFO

Semester:

4 Semester

Dauer:

Minimaldauer 1 Semester

Modul Typ:

Pflicht

Regulär angeboten im:

WS, SS

Workload: 150 h

ECTS Punkte : 5 ECTS

Zugangsvoraussetzungen:

keine

Unterrichtssprache:

Deutsch

Kurse im Modul:

  • Marktforschung (BMFO01)

Dauer:

Selbststudium: 90h
Selbstüberprüfung: 30h
Tutorien: 30h

Kurskoordinator(en) / Dozenten / Lektoren:

Siehe aktuelle Liste der Tutoren im Learning Management System

Modulverantwortliche(r):

Prof. Dr. Maren Weber

Bezüge zu anderen Programmen:

  • Bachelor Finanzmanagement
  • Bachelor Personalmanagement
  • Bachelor Marketing
  • Bachelor Wirtschaftsrecht
  • Bachelor Betriebswirtschaftslehre
  • Bachelor Gesundheitsmanagement

Bezüge zu anderen Modulen im Programm :

  • Wissenschaftliches Arbeiten I + II
  • Statistik
  • Marketing I + II

Qualifikations- und Lernziele des Moduls :

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

  • die grundlegenden Methoden der Marktforschung zu kennen.
  • die Basistechniken von Forschungsansätzen, Erhebungsmethoden und Datenanalyse mit Schwerpunkt auf der Interpretation und Bewertung der Ergebnisse zu verstehen.
  • systematisch Daten zu sammeln und zu analysieren um Entscheidungen auf der Basis fundierter Kriterien zu treffen.
  • die Bedeutung, Nutzen und Grenzen von Marktforschungsdaten zu bewerten.

Qualifikations- und Lernziele des Moduls :

  • Marketingforschung: Unterstützung bei der Entscheidungsfindung
  • Wahl des Forschungsansatzes
  • Wahl der Erhebungsmethode
  • Messung, Operationalisierung und Skalierung der Variablen
  • Auswahl der Erhebungseinheiten
  • Datenanalyse, -interpretation und Präsentation der Ergebnisse

Lehrmethoden:

Literatur:

Siehe Literaturliste der vorliegenden Kursbeschreibung

Anteil der Modulnote an der Gesamtabschlussnote des Programms: :

5 ECTS von 180 ECTS = 2.78%

Prüfungszulassungsvoraussetzung :

Abschlussprüfungen:

Siehe Kursbeschreibung

Modulklausur 90 Min. (100%)

Kursnummer:

BMFO01

Kursname:

Marktforschung

Gesamtstunden :

150 h

ECTS Punkte:

5 ECTS

Kurstyp : Pflicht

Kursangebot : WS, SS

Kursdauer :

Zugangsvoraussetzungen:

keine

Kurskoordinator(en) / Dozenten / Lektoren :

Siehe aktuelle Liste im Learning Management System

Bezüge zu anderen Modulen:

Siehe Modulbeschreibung

Beschreibung des Kurses:

Ziel der Marktforschung ist es, Informationen zu sammeln, die die Entscheidungsfindung im Management unterstützen. Diese Informationen können auf vielfältige Weise beschafft werden. Der Kurs Marktforschung bietet den Studenten ein Basiswissen der Vorgehensweise und der Methoden der Marktforschung. Auf der Grundlage des Marktforschungsprozesses werden alle Prozessschritte behandelt. Das Augenmerk der Datenanalyse liegt auf der Interpretation statistischer Analysen am Beispiel von Potenzial-, Image- oder Kundenzufriedenheitsanalysen.

Kursziele:

Nach erfolgreichem Abschluss des Kurses sind die Studierenden in der Lage,

  • die grundlegenden Methoden der Marktforschung zu kennen.
  • die Basistechniken von Forschungsansätzen, Erhebungsmethoden und Datenanalyse mit Schwerpunkt auf der Interpretation und Bewertung der Ergebnisse zu verstehen.
  • systematisch Daten zu sammeln und zu analysieren um Entscheidungen auf der Basis fundierter Kriterien zu treffen.
  • die Bedeutung, Nutzen und Grenzen von Marktforschungsdaten zu bewerten.

Lehrmethoden:

Die Lehrmaterialien enthalten einen kursabhängigen Mix aus Skripten, Video-Vorlesungen, Übungen, Podcasts, (Online-)Tutorien, Fallstudien. Sie sind so strukturiert, dass Studierende sie in freier Ortswahl und zeitlich unabhängig bearbeiten können.

Inhalte des Kurses:

1. Grundlagen der Marktforschung
1.1 Definition und Bezug zum Marketing
1.2 Aufgaben und Prozess der Marktforschung
1.3 Anbieter und Nutzer von Marktforschungsdaten
2. Überblick: Wahl des Forschungsansatzes; explorative, deskriptive und kausale Studien
2.1. Überblick: Wahl des Forschungsansatzes
2.2. Explorative Studien
2.3. Deskriptive Studien
3. Wahl der Erhebungsmethode: Sekundärforschung
3.1. Vor- und Nachteile, Informationsquellen der Sekundärforschung
3.2. Systemplattformen im Rahmen der Marktforschung
3.3. Praktischer Nutzen der Marktforschung am Beispiel Porsche
4. Wahl der Erhebungsmethode: Primärforschung I
4.1. Verfahren der Primärforschung
4.2. Verfahren der Primärforschung: Befragung und Exploration
4.3. Verfahren der Primärforschung: Gruppendiskussionen, Tiefeninterviews und Experimente
5. Wahl der Erhebungsmethode: Primärforschung II
5.1. Verfahren der Primärforschung: Beobachtung
5.2. Verfahren der Primärforschung: Online-Befragungen
5.3. Verfahren der Primärforschung: Panels und Trendstudien
6. Messtheoretische Grundlagen, Skalierung, Operationalisierung der Variablen
6.1. Begriffe
6.2. Messniveaus
6.3. Skalierung
6.4. Operationalisierung der Variablen
7. Aufbereitung der Daten
7.1. Redigierung bzw. Editierung der vorliegenden Erhebungsbögen
7.2. Codierung von Erhebungsbögen
7.3. Fehlerkontrolle
7.4. Umgang mit fehlenden Daten
8. Deskriptive Datenanalyse; uni-/bivariate Verfahren
8.1. Univariate Verfahren
8.2. Bivariate Verfahren
9. Multivariate Analyseverfahren
9.1. Dependenzanalyse
9.2. Interdependenzanalyse
9.3. Fehlerquellen bei multivariaten Analysen
10. Multivariates Verfahren zur Datenanalyse am Beispiel Kundenzufriedenheit
10.1. Besonderheiten bei der Ermittlung der Kundenzufriedenheit
10.2. Zu berücksichtigende Elemente für den Fragebogen
10.3. Der fertige Fragebogen

Literatur:

  • Berekoven, L./Eckert, W./Ellenrieder, P. (2009): Marktforschung. Methodische Grundlagen und praktische Anwendung. 12. Auflage, Gabler, Wiesbaden. ISBN-13: 978-3834915481.
  • Brown, T./Churchill, G. A./Iacobucci, D. (2005): Marketing Research, Methodological Foundations. 9. Auflage, Thomson, Hampshire, UK.
  • Churchill, G. A./Brown, T./Suter, T. A. (2010): Basic Marketing Research. 7. Auflage, Thomson, Hampshire (UK). ISBN-13: 978-1439041406.
  • Fantapié Altobelli, C. (2007): Marktforschung. Methoden - Anwendungen – Praxisbeispiele. 2. Auflage, UTB, Stuttgart. ISBN-13: 978-3825283421.

Prüfungsleistungen:

Klausur, 90 Min.

Zeitaufwand Studierenden (in Std.): 150

Selbststudium (in Std.): 90
Selbstüberprüfung (in Std.): 30
Tutorien (in Std.): 30

Modul Customer Relationship Management (DLBCRM)

5 ECTS

Modulbezeichnung: Customer Relationship Management

Modulnummer:

DLBCRM

Semester:

4 Semester

Dauer:

Minimaldauer 1 Semester

Modul Typ:

Pflicht

Regulär angeboten im:

WS, SS

Workload: 150 h

ECTS Punkte : 5 ECTS

Zugangsvoraussetzungen:

keine

Unterrichtssprache:

Deutsch

Kurse im Modul:

  • Customer Relationship Management (DLBCRM01)

Dauer:

Selbststudium: 90 h
Selbstüberprüfung: 30 h
Tutorien: 30 h

Kurskoordinator(en) / Dozenten / Lektoren:

Siehe aktuelle Liste der Tutoren im Learning Management System

Modulverantwortliche(r):

Dr. Mario Boßlau

Bezüge zu anderen Programmen:

  • Bachelor Betriebswirtschaftslehre
  • Bachelor Wirtschaftsinformatik

Bezüge zu anderen Modulen im Programm :

  • Marketing
  • Online Marketing
  • Social Media Marketing

Qualifikations- und Lernziele des Moduls :

Nach erfolgreichem Abschluss des Moduls

  • kennen die Studierenden die Grundlagen und theoretischen Erklärungsansätze des Customer Relationship Managements.
  • analysieren sie die ökonomische Steuerung von Kundenbeziehungen.
  • verstehen sie das Konstrukt des Kundenlebens- bzw. Kundenbeziehungszyklus und dessen Implikationen für die Anwendung des CRM-Instrumentariums.
  • können die Studierenden Kundenzufriedenheit und -loyalität einordnen und messen und damit die Wirkungskette der Kundenbindung und deren Beitrag zum ökonomischen Erfolg eines Unternehmens darstellen.
  • beherrschen sie die Entwicklung, Planung und Durchführung von Kundenbindungsmaßnahmen.
  • können sie Kunden nach ihrem Kundenwert klassifizieren und eine effiziente Allokation von Ressourcen zur Schaffung von profitablen Kundenbeziehungen managen.
  • haben die Studierenden einen Überblick über alternative Strategien und Instrumente des CRM und können diese implementieren und deren Erfolgswirkung überprüfen.

Qualifikations- und Lernziele des Moduls :

  • Theoretische Erklärungsansätze des CRM
  • Kundenlebens- und Kundenbeziehungszyklus
  • Kundenzufriedenheit und -loyalität
  • Kundenbindungsmanagement
  • Kundenwert und Kundenportfoliomanagement
  • Strategien und Instrumente des CRM
  • Implementierung und Controlling von CRM

Lehrmethoden:

Literatur:

Siehe Literaturliste der vorliegenden Kursbeschreibung

Anteil der Modulnote an der Gesamtabschlussnote des Programms: :

5 ECTS von 180 ECTS = 2.78%

Prüfungszulassungsvoraussetzung :

Abschlussprüfungen:

Siehe Kursbeschreibung

DLBCRM01
Klausur, 90 Min. (100%)

Kursnummer:

DLBCRM01

Kursname:

Custormer Relationship Management

Gesamtstunden :

150 h

ECTS Punkte:

5 ECTS

Kurstyp : Pflicht

Kursangebot : WS, SS

Kursdauer :

Zugangsvoraussetzungen:

keine

Kurskoordinator(en) / Dozenten / Lektoren :

Siehe aktuelle Liste im Learning Management System

Bezüge zu anderen Modulen:

Siehe Modulbeschreibung

Beschreibung des Kurses:

Customer Relationship Management gilt als zentrales und überaus bedeutsames Konzept des Marketingmanagements zur optimalen Gestaltung von Kundenbeziehungen. Sämtliche Prozesse eines Unternehmens sollten konsequent und nachhaltig auf den Kunden und seine Bedürfnisse ausgerichtet sein. Dieses grundlegende Verständnis sowie ein breiter Überblick über das Themengebiet CRM werden den Studierenden in diesem Kurs vermittelt. Neben den theoretischen Grundlagen der Kundenbeziehung geht es um den Kundenlebens- und Kundenbeziehungszyklus, Kundenzufriedenheit und -loyalität, das Kundenbindungsmanagement sowie den Kundenwert und das Kunden-portfoliomanagement. Die praktische Anwendung thematisiert der Kurs bei der Darstellung der vielfältigen Strategien und Instrumente des CRM und auch bei der konkreten Implementierung und dem Controlling des CRM.

Kursziele:

Nach erfolgreichem Abschluss des Kurses

  • kennen die Studierenden die Grundlagen und theoretischen Erklärungsansätze des Customer Relationship Managements.
  • analysieren sie die ökonomische Steuerung von Kundenbeziehungen.
  • verstehen sie das Konstrukt des Kundenlebens- bzw. Kundenbeziehungszyklus und dessen Implikationen für die Anwendung des CRM-Instrumentariums.
  • können die Studierenden Kundenzufriedenheit und -loyalität einordnen und messen und damit die Wirkungskette der Kundenbindung und deren Beitrag zum ökonomischen Erfolg eines Unternehmens darstellen.
  • beherrschen sie die Entwicklung, Planung und Durchführung von Kundenbindungsmaßnahmen.
  • können sie Kunden nach ihrem Kundenwert klassifizieren und eine effiziente Allokation von Ressourcen zur Schaffung von profitablen Kundenbeziehungen managen.
  • haben die Studierenden einen Überblick über alternative Strategien und Instrumente des CRM und können diese implementieren und deren Erfolgswirkung überprüfen.

Lehrmethoden:

Die Lehrmaterialien enthalten Skripte, Video-Vorlesungen, Übungen, Podcasts, (Online-) Tutorien und Fallstudien. Sie sind so strukturiert, dass Studierende sie in freier Ortswahl und zeitlich unabhängig bearbeiten können.

Inhalte des Kurses:

  1. Grundlagen des CRM
  2. Theoretische Erklärungsansätze des CRM
  3. Kundenlebens- und Kundenbeziehungszyklus
  4. Kundenzufriedenheit und -loyalität
  5. Kundenbindungsmanagement
  6. Kundenwert und Kundenportfoliomanagement
  7. Strategien und Instrumente des CRM
  8. Implementierung und Controlling von CRM

Literatur:

  • Alt, R. / Reinhold, O. (2017): Social Customer Relationship Management: Grundlagen, Anwendungen und Technologien. Springer Gabler, Wiesbaden.
  • Bruhn, M. (2016): Relationship Marketing: Das Management von Kundenbeziehungen. Franz Vahlen, München.
  • Bruhn, M. (2016): Kundenorientierung: Bausteine für ein exzellentes Customer Relationship Management (CRM). dtv Verlagsgesellschaft, München.
  • Bruhn, M. / Homburg, C. (Hrsg.) (2017): Handbuch Kundenbindungsmanagement – Strategien und Instrumente für ein erfolgreiches CRM. 9. Auflage. Springer Gabler, Wiesbaden.
  • Günter,B. /Helm,S. (Hrsg) (2017): Kundenwert: Grundlagen – Innovative Konzepte – Praktische Umsetzung. 4. Aufl., Springer, Wiesbaden.
  • Hippner, H. / Hubrich, B. / Wilde K. (Hrsg.) (2011): Grundlagen des CRM: Strategie, Geschäftsprozesse und IT-Unterstützung. 3. Aufl., Gabler Verlag, Wiesbaden.
  • Homburg, Ch. (2016): Kundenzufriedenheit: Konzepte – Methoden – Erfahrungen. 9. Aufl., Springer, Wiesbaden.
  • Müller, C.R. (2015): Customer Relationship Management (CRM) in der Praxis: Begriffe, Grundlagen, Verfahren - Von Analyse bis Zufriedenheit. Selbstverlag, ohne Ort.

Prüfungsleistungen:

Klausur, 90 Min.

Zeitaufwand Studierende (in Std.): 150

Selbststudium (in Std.): 90
Selbstüberprüfung (in Std.): 30
Tutorien (in Std.): 30

Modul Content Management Systeme (DLBDBCMS)

5 ECTS

Modulbezeichnung: Content Management Systeme

Modulnummer:

DLBDBCMS

Semester:

4 Semester

Dauer:

Minimaldauer 1 Semester

Modul Typ:

Pflicht

Regulär angeboten im:

WS, SS

Workload: 150 h

ECTS Punkte : 5 ECTS

Zugangsvoraussetzungen:

keine

Unterrichtssprache:

Deutsch

Kurse im Modul:

  • Content Management Systeme (DLBDBCMS01)

Dauer:

Selbststudium: 110 h
Selbstüberprüfung: 20 h
Tutorien: 20 h

Kurskoordinator(en) / Dozenten / Lektoren:

Siehe aktuelle Liste der Tutoren im Learning Management System

Modulverantwortliche(r):

Prof. Dr. Adelka Niels

Bezüge zu anderen Programmen:

  • Bachelor Betriebswirtschaftslehre
  • Bachelor Wirtschaftsinformatik

Bezüge zu anderen Modulen im Programm :

  • Online Marketing
  • Digital and Mobile Campaigns

Qualifikations- und Lernziele des Moduls :

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

  • verschiedene Arten von Content Management voneinander abzugrenzen.
  • typische Prozesse des Content Management anzuwenden.
  • den Aufbau und die Funktionsweise verschiedener Content Management-Systeme zu verstehen.
  • bestehende HTML-, CSS- und JavaScript-Artefakte zu lesen und zu verstehen.
  • bestehende HTML-, CSS und JavaScript-Artefakte im Rahmen der Webseite-Pflege anzupassen.
  • neue Webseiten mit einem CMS-System einzurichten, mit Inhalten zu füllen und zu pflegen.

Qualifikations- und Lernziele des Moduls :

  • Begriffe und Grundlagen
  • HTML
  • CSS
  • JavaScript

Lehrmethoden:

Literatur:

Siehe Literaturliste der vorliegenden Kursbeschreibung

Anteil der Modulnote an der Gesamtabschlussnote des Programms: :

5 ECTS von 180 ECTS = 2.78%

Prüfungszulassungsvoraussetzung :

Abschlussprüfungen:

Siehe Kursbeschreibung

DLBDBCMS01
Schriftliche Ausarbeitung: Fallstudie (100%)

Kursnummer:

DLBDBCMS01

Kursname:

Content Management Systeme

Gesamtstunden :

150 h

ECTS Punkte:

5 ECTS

Kurstyp : Pflicht

Kursangebot : WS, SS

Kursdauer :

Zugangsvoraussetzungen:

keine

Kurskoordinator(en) / Dozenten / Lektoren :

Siehe aktuelle Liste im Learning Management System

Bezüge zu anderen Modulen:

Siehe Modulbeschreibung

Beschreibung des Kurses:

In diesem Kurs werden den Studierenden im ersten Schritt die wesentlichen Grundkenntnisse vermittelt, die sie für die professionelle Anwendung von CMS-Systemen benötigen. Hierzu gehört vor allem eine Grundausbildung in den gängigen Web-Technologien HTML, CSS und JavaScript. Darüber hinaus werden auch grundlegende Prozesse im Umgang mit CMS-Systemen vorgestellt. Dieses Wissen bereitet die Studierenden auf die Fallstudie vor. Hier werden den Studierenden Aufgaben gestellt, die sie unter Einsatz von Content Management-Systemen lösen müssen. Dabei wenden sie das zuvor vermittelte Wissen praktisch an.

Kursziele:

Nach erfolgreichem Abschluss des Kurses sind die Studierenden in der Lage,

  • verschiedene Arten von Content Management voneinander abzugrenzen.
  • typische Prozesse des Content Management anzuwenden.
  • den Aufbau und die Funktionsweise verschiedener Content Management-Systeme zu verstehen.
  • bestehende HTML-, CSS- und JavaScript-Artefakte zu lesen und zu verstehen.
  • bestehende HTML-, CSS und JavaScript-Artefakte im Rahmen der Webseite-Pflege anzupassen.
  • neue Webseiten mit einem CMS-System einzurichten, mit Inhalten zu füllen und zu pflegen.

Lehrmethoden:

Die Lehrmaterialien enthalten Skripte, Video-Vorlesungen, Übungen, Podcasts, (Online-) Tutorien und Fallstudien. Sie sind so strukturiert, dass Studierende sie in freier Ortswahl und zeitlich unabhängig bearbeiten können.

Inhalte des Kurses:

1. Begriffe und Grundlagen

1.1 Motivation und Problemstellung

1.2 Aufbau und Funktionen

1.3 Arten von Content Management Systemen

1.4 Abgrenzung zu Enterprise Content Management

1.5 Überblick Basistechnologien (Tools zur Zusammenarbeit)

1.6 Content-Management-Prozesse

1.7 SEO

2. HTML

2.1 Struktur

2.2 Tag-Konzept

2.3 Textauszeichnung

2.4 Medien

2.5 Tabellen

2.6 Navigation

3. CSS

3.1 Motivation für die Nutzung und Integration mit HTML

3.2 Syntax

3.3 Klassen-Konzept

3.4 Box-Modell

3.5 Kaskaden

3.6 Vererbung

3.7 Framework

4. JavaScript

4.1 Einsatz von HTML und CSS

4.2 Variablen und Anweisungen

4.3 Kontrollstrukturen

4.4 Funktionen

4.5 DOM

Literatur:

  • Hetzel, A. (2017): WordPress 4: Das umfassende Handbuch. Rheinwerk Computing, Bonn.
  • Koch, D. (2018): Joomla! 4.0 Das Kompendium. Markt + Technik Verlag, Burgthann.
  • Löffler, M. (2014): Think Content!: Content-Strategie, Content-Marketing, Texten fürs Web. Rheinwerk Computing Verlag, Bonn.
  • Wolf, J. (2016): HTML5 und CSS3: Das umfassende Handbuch. Rheinwerk Computing, Bonn.

Prüfungsleistungen:

Schriftliche Ausarbeitung: Fallstudie

Zeitaufwand Studierende (in Std.): 150

Selbststudium (in Std.): 110
Selbstüberprüfung (in Std.): 20
Tutorien (in Std.): 20

Modul Digital and Mobile Campaigns (DLBDBDMC)

5 ECTS

Modulbezeichnung: Digital and Mobile Campaigns

Modulnummer:

DLBDBDMC

Semester:

4 Semester

Dauer:

Minimaldauer 1 Semester

Modul Typ:

Pflicht

Regulär angeboten im:

WS, SS

Workload: 150 h

ECTS Punkte : 5 ECTS

Zugangsvoraussetzungen:

keine

Unterrichtssprache:

Deutsch

Kurse im Modul:

  • Digital and Mobile Campaigns (DLBDBDMC01)

Dauer:

Selbststudium: 90 h
Selbstüberprüfung: 30 h
Tutorien: 30 h

Kurskoordinator(en) / Dozenten / Lektoren:

Siehe aktuelle Liste der Tutoren im Learning Management System

Modulverantwortliche(r):

Prof. Dr. Marian Benner-Wickner

Bezüge zu anderen Programmen:

  • Bachelor Betriebswirtschaftslehre

Bezüge zu anderen Modulen im Programm :

  • Marketing
  • Online Marketing
  • Customer Relationship Management
  • Content Management Systeme
  • Social Media Marketing
  • Projekt: Marketing Analytics

Qualifikations- und Lernziele des Moduls :

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

  • digitales und mobiles Kampagnenmanagement in den Gesamtkontext des Online Marketing und der Marketingstrategie einzuordnen.
  • Ziele, Instrumente und Kanäle des digitalen und mobilen Kampagnenmanagements zu benennen.
  • Besonderheiten digitaler und mobiler Kampagnen sowie die Notwendigkeit zur Integration der Offline und Online Kanäle zu verstehen.
  • Anforderungen an die Entwicklung und Gestaltung digitaler und mobiler Kampagnen zu erklären.
  • die Erfolgsmessung und Optimierung digitaler und mobiler Kampagnen zu beschreiben.

Qualifikations- und Lernziele des Moduls :

  • digitales Kampagnenmanagement
  • Kampagnenplanung
  • mobiles Marketing
  • Erfolgsmessung und Kampagnenoptimierung

Lehrmethoden:

Literatur:

Siehe Literaturliste der vorliegenden Kursbeschreibung

Anteil der Modulnote an der Gesamtabschlussnote des Programms: :

5 ECTS von 180 ECTS = 2.78%

Prüfungszulassungsvoraussetzung :

Abschlussprüfungen:

Siehe Kursbeschreibung

DLBDBDMC01
Klausur, 90 Min. (100%)

Kursnummer:

DLBDBDMC01

Kursname:

Digital and Mobile Campaigns

Gesamtstunden :

150 h

ECTS Punkte:

5 ECTS

Kurstyp : Wahlpflicht

Kursangebot : WS, SS

Kursdauer :

Zugangsvoraussetzungen:

keine

Kurskoordinator(en) / Dozenten / Lektoren :

Siehe aktuelle Liste im Learning Management System

Bezüge zu anderen Modulen:

Siehe Modulbeschreibung

Beschreibung des Kurses:

Die Bedeutung des „Digital Marketing“ nimmt weiter zu. Die Vermarktung von Produkten oder Dienstleistungen mit digitalen Technologien, im Internet und auch durch Mobiltelefone, ist zum festen Bestandteil eines jeden Marketingplans geworden. Online-Marketing-Kampagnen, die zahlreiche Zielseiten integrieren um dabei Traffic und Verkäufe zu generieren und dabei auch auf Mobiltelefonen funktionieren, gilt es zu planen, in der Umsetzung zu überwachen und zu optimieren. Das dazu notwendige Wissen wird den Studierenden im Rahmen des Kurses präsentiert und das notwendige Handwerkszeug zur Entwicklung, Umsetzung und Optimierung digitaler und mobiler Kampagnen vermittelt.

Kursziele:

Nach erfolgreichem Abschluss des Kurses des Kurses sind die Studierenden in der Lage,

  • digitales und mobiles Kampagnenmanagement in den Gesamtkontext des Online Marketing und der Marketingstrategie einzuordnen.
  • Ziele, Instrumente und Kanäle des digitalen und mobilen Kampagnenmanagements zu benennen.
  • Besonderheiten digitaler und mobiler Kampagnen sowie die Notwendigkeit zur Integration der Offline und Online Kanäle zu verstehen.
  • Anforderungen an die Entwicklung und Gestaltung digitaler und mobiler Kampagnen zu erklären.
  • die Erfolgsmessung und Optimierung digitaler und mobiler Kampagnen zu beschreiben.

Lehrmethoden:

Die Lehrmaterialien enthalten Skripte, Video-Vorlesungen, Übungen, Podcasts, (Online-) Tutorien und Fallstudien. Sie sind so strukturiert, dass Studierende sie in freier Ortswahl und zeitlich unabhängig bearbeiten können.

Inhalte des Kurses:

1. Strategische Aspekte digitaler und mobiler Kampagnen

1.1 Die übergeordnete Marketingstrategie

1.2 Die Marketingplanung

1.3 Die Integration von Offline und Online Elementen

2. Grundlagen der Entwicklung einer digitalen Marketingstrategie

2.1 Die Online Marktanalyse

2.2 Das Micro-Umfeld der digitalen Marketingstrategie

2.3 Das Macro-Umfeld der digitalen Marketingstrategie

2.4 Ziele und Zielgruppen der digitalen Marketingstrategie

3. Charakteristika Digitaler Medien und Technologien

3.1 Von Push zu Pull

3.2 Vom Monolog zum Dialog

3.3 One-to-many, one-to-some, one-to-one, many-to-many

3.4 Digitales Branding

4. Digitale Medien und Kanäle

4.1 SEO, SEA und e-PR

4.2 Content und Affiliate Marketing

4.3 Interaktive Display Werbung

4.4 Email Marketing und Mobile Text Messaging

4.5 Social, Influencer und virales Marketing

5. Die Kampagnenplanung

5.1 Budgetplanung: Balance der Kosten von Content, Traffic und User Experience

5.2 Kampagnen Automation

5.3 Der automatisierte Mediahandel – Realtime-Bidding (RTB)

5.4 Der Medien-Mix

6. Online Customer Experience

6.1 Website Design

6.2 Anforderungen an die Website oder App

6.3 Rechtliche Rahmenbedingungen

7. Besonderheiten mobiler Kampagnen

7.1 SMS, QR Codes und Bluetooth

7.2 Location based advertising

7.3 Location based services

7.4 Responsive Design

8. Erfolgsmessung, -Kontrolle und Verbesserung von Kampagnen

8.1 Entwicklung eines Systems zur Erfolgsmessung und Kontrolle

8.2 Festlegung der Indikatoren zur Erfolgsmessung

8.3 Techniken und Werkzeuge zur Erfolgsmessung

8.4 Kampagnen-Optimierung

Literatur:

  • Brügner, H. (2015): Management von Multiscreen-Kampagnen: Grundlagen, Organisation, Roadmap, Checklisten. Springer Fachmedien Wiesbaden. Wiesbaden.
  • Chaffey, D./Ellis-Chadwick, F. (2016): Digital marketing. 6th ed. Pearson. Harlow.
  • Hollensen, S./Kotler, P./Opresnik, M.O. (2017): Social Media Marketing: A practitioner guide. Opresnik management guides. 2.nd edition. Opresnik Management Consulting. Lübeck.
  • Kingsnorth, S. (2016): Digital marketing strategy: An integrated approach to online marketing. 1st Edition. Kogan Page. London.
  • Kotler, P./Kartajaya, H./Setiawan, I. (2017:) Marketing 4.0: Moving from traditional to digital. John Wiley & Sons Inc. Hoboken. New Jersey.
  • Kotler, P./Kartajaya, H./Setiawan, I. (2017): Marketing 4.0: Der Leitfaden für das Marketing der Zukunft. Campus. Frankfurt.
  • Pietzcker, D. (2016): Kampagnenführung: Von der Idee über die mediale Umsetzung bis zur Evaluierung. Springer Fachmedien. Wiesbaden.
  • Rieber D. (2017): Mobile Marketing: Grundlagen, Strategien, Instrumente. Gabler. Wiesbaden.
  • Rodgers, S./Thorson, E. (Eds.) (2017): Digital advertising: Theory and research. Third edition. Routledge. London.
  • Ryan, D. (2017): Understanding Digital Marketing: Marketing Strategies for Engaging the Digital Generation. Fourth Edition. Kogan Page. London.
  • Scholz, H. (2017): Social goes Mobile - Kunden gezielt erreichen: Mobile Marketing in Sozialen Netzwerken. 2. Auflage. Springer Gabler. Wiesbaden.
  • Smith, P.R./Chaffey, D. (2017): Digital marketing excellence: Planning and optimizing your online marketing. Fifth edition. Routledge. Taylor & Francis Group. London.

Prüfungsleistungen:

Klausur, 90 Min.

Zeitaufwand Studierende (in Std.): 150

Selbststudium (in Std.): 90
Selbstüberprüfung (in Std.): 30
Tutorien (in Std.): 30

Modul Social Media Marketing (DLBDBSMM)

5 ECTS

Modulbezeichnung: Social Media Marketing

Modulnummer:

DLBDBSMM

Semester:

4 Semester

Dauer:

Minimaldauer 1 Semester

Modul Typ:

Pflicht

Regulär angeboten im:

WS, SS

Workload: 150 h

ECTS Punkte : 5 ECTS

Zugangsvoraussetzungen:

keine

Unterrichtssprache:

Deutsch

Kurse im Modul:

  • Social Media Marketing (DLBMSM02)

Dauer:

Selbststudium: 110 h
Selbstüberprüfung: 20 h
Tutorien: 20 h

Kurskoordinator(en) / Dozenten / Lektoren:

Siehe aktuelle Liste der Tutoren im Learning Management System

Modulverantwortliche(r):

Prof. Dr. Maren Weber

Bezüge zu anderen Programmen:

  • Bachelor Betriebswirtschaftslehre
  • Bachelor Finanzmanagement
  • Bachelor Personalmanagement
  • Bachelor Marketing
  • Bachelor Wirtschaftsrecht
  • Bachelor Gesundheitsmanagement
  • Bachlor Soziale Arbeit
  • Bachelor Pflegemanagement
  • Bachelor Logistikmanagement

Bezüge zu anderen Modulen im Programm :

  • Online Marketing
  • Digital and Mobile Campaigns
  • Projekt: Marketing Analytics

Qualifikations- und Lernziele des Moduls :

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

  • Social Media Marketing in den Gesamtmarketing Mix zu integrieren.
  • eine Social Media Strategie zu entwickeln.
  • die verschiedenen Social Media-Kanäle (Facebook, Instagram...) zu bewerten.
  • Social Media für Innovationsmanagement und Netzwerke zu nutzen.
  • die global vernetzten Vermarktungschancen eines Unternehmens im Social Media-Bereich grundlegend einzuschätzen und diesbezüglich erste strategische Entscheidungen zu treffen.

Qualifikations- und Lernziele des Moduls :

  • Grundlagen des Social Media Marketings
  • Social Media Marketing im Gesamt-Marketingmix
  • Social Media-Landkarte
  • Social Media im Unternehmen
  • Social Media-Strategieentwicklung
  • World-of-Mouth und virales Marketing
  • Social Media im Innovationsmanagement
  • Kollaborationen, Business-Netzwerke und Social Recruiting
  • Rechtliche Rahmenbedingungen und Entwicklungen von Social Media

Lehrmethoden:

Literatur:

Siehe Literaturliste der vorliegenden Kursbeschreibung

Anteil der Modulnote an der Gesamtabschlussnote des Programms: :

5 ECTS von 180 ECTS = 2.78%

Prüfungszulassungsvoraussetzung :

Abschlussprüfungen:

Siehe Kursbeschreibung

DLBMSM02
Schriftliche Ausarbeitung: Hausarbeit (100%)

Kursnummer:

DLBMSM02

Kursname:

Social Media Marketing

Gesamtstunden :

150 h

ECTS Punkte:

5 ECTS

Kurstyp : Pflicht, Wahlpflicht

Zu Details beachte bitte das Curriculum des jeweiligen Studiengangs

Kursangebot : WS, SS

Kursdauer :

Zugangsvoraussetzungen:

Siehe Modulbeschreibung

Kurskoordinator(en) / Dozenten / Lektoren :

Siehe aktuelle Liste im Learning Management System

Bezüge zu anderen Modulen:

Siehe Modulbeschreibung

Beschreibung des Kurses:

Dieser Kurs bedient sich der Grundlagen vernetzter Kommunikationsstrategien im Internet um dem Teilnehmer eine erste aktive Auseinandersetzung mit dem Thema Social Media Marketing zu ermöglichen. Dabei werden die Instrumente des heutigen Social Media-Marketings und deren Kanäle genauer betrachtet, um diese gezielt für weitere Marketingmaßnahmen und -strategien erfolgsorientiert einzusetzen. Die strategische Positionierung eines Unternehmens im Social Media-Bereich spielt genauso eine zentrale Rolle, wie die Integration von Social Media als zusätzlicher Servicebaustein im grundlegenden Online-Marketing-Gesamtmix.

Dieser Kurs lehrt die aktive Auseinandersetzung mit dem Thema Social Media-Management Dabei werden die Social-Media-Kanäle, wie Facebook, Instagram, Pinterest u. Ä. genauer betrachtet, um diese gezielt für weitere Marketingmaßnahmen und -strategien erfolgsorientiert einzusetzen.

Der Kurs Social Media-Management vermittelt somit grundlegende Konzepte wie die Entwicklung einer Social Media-Strategie für Unternehmen. Er geht praxisbezogen auf die Nutzung und das Monitoring verschiedener Social-Media-Kanäle ein. Darüber hinaus geht der Kurs auf die Contenterstellung sowie das Contentmanagement und die Redaktionsplanung ein. Somit umfasst der Kurs alle Social Media-Themen und geht auf diese praxisbezogen ein.

Kursziele:

Nach erfolgreichem Abschluss des Kurses sind die Studierenden in der Lage,

  • Social Media Marketing in den Gesamtmarketing Mix zu integrieren.
  • eine Social Media Strategie zu entwickeln.
  • die verschiedenen Social Media-Kanäle (Facebook, Instagram…) zu bewerten.
  • Social Media für Innovationsmanagement und Netzwerke zu nutzen.
  • die global vernetzten Vermarktungschancen eines Unternehmens im Social Media-Bereich grundlegend einzuschätzen und diesbezüglich erste strategische Entscheidungen zu treffen.

Lehrmethoden:

Die Lehrmaterialien enthalten Skripte, Video-Vorlesungen, Übungen, Podcasts, (Online-) Tutorien und Fallstudien. Sie sind so strukturiert, dass Studierende sie in freier Ortswahl und zeitlich unabhängig bearbeiten können.

Kursinhalte:

1. Grundlagen des Social Media Marketings

1.1 Entwicklung der sozialen Medien und der Begriff des Social Media Marketings

1.2 Funktionsweise, Arten und Anwendungsfelder von Social Media Marketing

1.3 Typologie und Aktivitäten von Social Media-Nutzern

1.4 Ziele von Social Media Marketing

2. Social Media Marketing im Gesamt-Marketingmix

2.1 Chancen und Risiken durch Social Media

2.2 Die POST-Methode nach Groundswell

2.3 Integration in den klassischen Marketingmix

2.4 Social Media als Service-Kanal

3. Social Media-Landkarte

3.1 Überblick über die Social Media-Landkarte

3.2 Steckbriefe der relevantesten Social Media-Kanäle

3.3 Zielgruppen/Nutzergruppen

4. Social Media im Unternehmen

4.1 Rolle des Social Media Managers im Unternehmen

4.2 Arten von Social Media-Strategien im Unternehmen

4.3 Social Media Governance

5. Social Media-Strategieentwicklung

5.1 Was ist eine Strategie? Definitionen

5.2 Ziele einer Strategie

5.3 Stufen der Social Media-Strategieentwicklung

6. Word-of-Mouth und virales Marketing

6.1 Definition und Funktionsweise von WoM

6.2 Stellenwert von Multiplikatoren und Opinion Leaders

6.3 Erstellung einer WoM-Kampagne und deren Erfolgskontrolle

6.4 Virale Kampagnen und der Social Ripple-Effekt

6.5 Online Reputation Management, Krisenmanagement und PR 2.0

7. Social Media im Innovationsmanagement

7.1 Einführung in Crowdsourcing

7.2 Innovationen durch interaktive Wertschöpfung, Lead User und Social Media Intelligence

7.3 Social Media als Instrument der qualitativen Marktforschung

8. Kollaborationen, Business-Netzwerke und Social Recruiting

8.1 Arten und Funktionsweise von Business-Netzwerken

8.2 Möglichkeit der Integration von Social Business Networking anhand von XING

8.3 Social Media Recruiting

9. Rechtliche Rahmenbedingungen von Social Media

9.1 Gesetzlicher Rahmen von Social Media

9.2 User Generated Content

9.3 Social Media Guidelines

9.4 Der „Like Button“ – Rechtliche Bedingungen zu Social Ads

10. Entwicklungen im Social Media Marketing

10.1 Sozialer Wandel – neue Formen des Konsums

10.2 Social Products, Brands und Social Commerce

10.3 Open Leadership – Umgang mit Kontrollverlust

Zusätzliches Kursmaterial Video:

1. Community Management

1.1 Ausrichtung und Strategie

1.2 Das Berufsbild des Community Managers

1.3 Community & Ressourcen Aufbau

1.4 Methoden und Prozess

1.5 Umgang mit speziellen Nutzergruppen

1.6 Verwaltung und Erfolgskennzahlen

2. Social Media Monitoring Teil 1

2.1 Social Media Messgrößen im Überblick

2.2 Auswirkungen von Social Media Monitoring

2.3 Tool Varianten

2.4 Überblick über kostenlose und kostenpflichtige Monitoring-Tools

2.5 Methodik und Vorgehensweise bei der Messung

3. Social Media Monitoring Teil 2

3.1 Einsatzgebiete von Social Media Monitoring

3.2 Social Media Metrik

3.3 Vorstellung wichtiger KPI`s (Key Performance Indikatoren)

3.4 Vielfältige interessante Praxisbeispiele

4. Corporate Blogging

4.1 Welche Blogtypen gibt es?

4.2 Vor- und Nachteile eines Corporate Blogs

4.3 Die Redaktionsplanung

4.4 Budget- und Zeitplanung

4.5 Vermarktung des Blogs

5. Facebook – Einblicke in das größte Social Network

5.1 Was ist ein Social Network?

5.2 Viralität auf Facebook

5.3 Oberflächen auf Facebook

5.4 Die Arbeit mit einer FacebookSeite

5.5 Der Newsstream und der Facebook-Edgerank

5.6 Kommunikationsanlässe

6. Facebook Advertising – Werben auf Facebook

6.1 Grundlagen: Auktion und Algorithmus

6.2 Kampagnenstruktur

6.3 Targeting

6.4 Bidding

6.5 Tracking

6.6 Optimierung und Best Practises

7. Social Media Marketing mit Twitter

7.1 Architektur der Plattform Twitter

7.2 Funktionsweise, Nutzergruppen und Kommunikationsformen

7.3 Darstellungsmöglichkeiten von Unternehmen bei Twitter

7.4 Werbemöglichkeiten bei Twitter

7.5 Tipps und Erfahrungen aus der Praxis für die Praxis

7.6 Best Practice Beispiele

8. Social Media Marketing mit Youtube

8.1 Architektur der Plattform Youtube

8.2 Funktionsweise, Nutzergruppen und Kommunikationsformen

8.3 Darstellungsmöglichkeiten von Unternehmen bei Youtube

8.4 Werbemöglichkeiten bei Youtube

8.5 Tipps und Erfahrungen aus der Praxis für die Praxis

8.6 Best Practice Beispiele

9. Social Media Marketing mit Instagram

9.1 Architektur der Plattform Instagram

9.2 Funktionsweise, Nutzergruppen und Kommunikationsformen

9.3 Darstellungsmöglichkeiten von Unternehmen bei Instagram

9.4 Werbemöglichkeiten bei Instagram

9.5 Tipps und Erfahrungen aus der Praxis für die Praxis

9.6 Best Practice Beispiele

10. Social Media Marketing mit Pinterest

10.1 Architektur der Plattform Pinterest

10.2 Funktionsweise, Nutzergruppen und Kommunikationsformen

10.3 Darstellungsmöglichkeiten von Unternehmen bei Pinterest

10.4 Werbemöglichkeiten bei Pinterest

10.5 Tipps und Erfahrungen aus der Praxis für die Praxis

10.6 Best Practice Beispiele

11. Contenterstellung

11.1 Was macht guten Content aus?

11.2 Ideen für guten Content finden und umsetzen

11.3 Eigenen Content einfach und ohne Designkenntnisse erstellen

11.4 Tools und Software für die Contenterstellung

12. Content Management und Redaktionsplanung

12.1 Was ist Content Management?

12.2 Warum und wie Content Management für Social Media Plattformen eingesetzt wird

12.3 Redaktionspläne erstellen und anwenden

12.4 Statistiken in das Content Management einbeziehe

Literatur:

  • Grabs, A. (2011): Follow me! Social Media Marketing mit Facebook, Twitter und Co. Galileo Computing, Bonn. ISBN-13: 978-3836216722.
  • Heymann-Reder, D. (2011): Social Media Marketing. Erfolgreiche Strategien für Sie und Ihr Unternehmen. Addison-Wesley, Bonn. ISBN-13: 978-3827330215.

Prüfungsleistungen:

• Schriftliche Ausarbeitung: Hausarbeit

Zeitaufwand Studierenden (in Std.): 150

Selbststudium (in Std.): 110
Selbstüberprüfung (in Std.): 20
Tutorien (in Std.): 20

Modul Projekt: Marketing Analytics (DLBDBPMA)

5 ECTS

Modulbezeichnung: Projekt: Marketing Analytics

Modulnummer:

DLBDBPMA

Semester:

4 Semester

Dauer:

Minimaldauer 1 Semester

Modul Typ:

Pflicht

Regulär angeboten im:

WS, SS

Workload: 150 h

ECTS Punkte : 5 ECTS

Zugangsvoraussetzungen:

keine

Unterrichtssprache:

Deutsch

Kurse im Modul:

  • Projekt: Marketing Analytics (DLBDBPMA01)

Dauer:

Selbststudium: 120 h
Selbstüberprüfung: -
Tutorien: 30 h

Kurskoordinator(en) / Dozenten / Lektoren:

Siehe aktuelle Liste der Tutoren im Learning Management System

Modulverantwortliche(r):

Caterina Fox

Bezüge zu anderen Programmen:

  • Bachelor Betriebswirtschaftslehre
  • Bachelor Wirtschaftsinformatik

Bezüge zu anderen Modulen im Programm :

  • Marketing
  • Online Marketing
  • Digital and Mobile Campaigns
  • Content Management Systeme

Qualifikations- und Lernziele des Moduls :

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

  • Konzepte und Methoden zur Analyse und Auswertung von Marketing-Aktivitäten zu benennen.
  • Werkzeuge zur Analyse von Marketing-Aktivitäten, insbesondere dem Online-Marketing, anzuwenden.
  • Informationen über den Kunden zu gewinnen, um so sein Verhalten besser verstehen zu können
  • das Besucherverhalten auf Webseiten nachvollziehen zu können.
  • die Effizienz und Effektivität von Online-Anzeigen mit Werkzeugen messen zu können.

Qualifikations- und Lernziele des Moduls :

In diesem Kurs wird den Studierenden die Möglichkeit geboten, praktische Erfahrungen mit Konzepten und Methoden zur Analyse und Auswertung von Marketing-Aktivitäten, insbesondere dem Online-Marketing, zu sammeln. Dabei soll vor allem der Einsatz von etablierten Marketing Analytics-Werkzeugen an einem Beispielprojekt eingeübt werden.
Eine aktuelle Themenliste befindet sich im Learning Management System.

Lehrmethoden:

Literatur:

Siehe Literaturliste der vorliegenden Kursbeschreibung

Anteil der Modulnote an der Gesamtabschlussnote des Programms: :

5 ECTS von 180 ECTS = 2.78%

Prüfungszulassungsvoraussetzung :

Abschlussprüfungen:

Siehe Kursbeschreibung

DLBDBPMA01
Schriftliche Ausarbeitung: Projektbericht (100%)

Kursnummer:

DLBDBPMA01

Kursname:

Projekt: Marketing Analytics

Gesamtstunden :

150 h

ECTS Punkte:

5 ECTS

Kurstyp : Pflicht

Kursangebot : WS, SS

Kursdauer :

Zugangsvoraussetzungen:

keine

Kurskoordinator(en) / Dozenten / Lektoren :

Siehe aktuelle Liste im Learning Management System

Bezüge zu anderen Modulen:

Siehe Modulbeschreibung

Beschreibung des Kurses:

Die Studierenden werden in diesem Kurs eine praktische Einführung in die Analyse von Marketing-Kanälen erhalten. Um diese Aktivitäten nicht nur zu verstehen, sondern auch erste eigene Erfahrungen damit zu sammeln, werden ausgewählte Werkzeuge für die Analyse vorgestellt und von den Studierenden an einem Beispielprojekt angewendet.

Kursziele:

Nach erfolgreichem Abschluss des Kurses sind die Studierenden in der Lage,

  • Konzepte und Methoden zur Analyse und Auswertung von Marketing-Aktivitäten zu benennen.
  • Werkzeuge zur Analyse von Marketing-Aktivitäten, insbesondere dem Online-Marketing, anzuwenden.
  • Informationen über den Kunden zu gewinnen, um so sein Verhalten besser verstehen zu können
  • das Besucherverhalten auf Webseiten nachvollziehen zu können.
  • die Effizienz und Effektivität von Online-Anzeigen mit Werkzeugen messen zu können.

Lehrmethoden:

Die Lehrmaterialien enthalten Leitfäden, Video-Präsentationen, (Online-)Tutorien, und Foren. Sie sind so strukturiert, dass Studierende sie in freier Ortswahl und zeitlich unabhängig bearbeiten können.

Inhalte des Kurses:

Die Effektivität und Effizienz von Marketingaktivitäten messen zu können – seien es projekthafte Vorgänge wie Kampagnen oder die kontinuierliche Pflege digitaler Customer Touchpoints – ist angesichts der üblicherweise enormen monetären Anstrengungen in diesem Bereich sehr wichtig für Unternehmen. Die einzelnen Kanäle mit Werkzeugen und Konzepten wie SEO, SEA und Google Analytics analysieren und bewerten zu können, ist eine wichtige Kompetenz im Marketing. In diesem Kurs werden Studierende sich deshalb mit diesen Werkzeugen vertraut machen und sie an einem Beispiel praktisch anwenden. Hierzu können sie zum Beispiel eine Webseite erstellen, online schalten und mit unterschiedlichen Marketing Analytics-Tools so optimieren, dass sie sich hinsichtlich relevanter Kriterien wie z. B. der Präsenz in Suchmaschinen verbessern. Darüber hinaus können Studierende Projekte durchführen, mit denen sie Bewegungsdaten ihrer Kunden auswerten können (Tracking), um auf diese Weise mehr über ihre Interessen und mögliche neue Produkte in Erfahrung zu bringen.

Literatur:

  • Beilharz, F. et al. (2017): Der Online-Marketing-Manager: Handbuch für die Praxis. O'Reilly. ISBN 978-3960090489
  • Hassler, M. (2016): Digital und Web Analytics: Metriken auswerten, Besucherverhalten verstehen, Website optimieren, mitp Frechen. ISBN: 978-3958453593
  • Keßler, E./Rabsch, S./Madic, M. (2015): Erfolgreiche Websites: SEO, SEM, Online-Marketing, Kundenbindung, Usability. Rheinwerk, Bonn. ISBN 978-3836236546
  • Müller, A. (2015): Marketing Analytics – Wie Big Data und BI Marketing messbar machen. In: Computerwoche [http://www.cowo.de/a/3220017. Letzter Zugriff: 13.01.2018].
  • Vollmert, M./Lück, H. (2015): Google Analytics: Das umfassende Handbuch. Rheinwerk, Bonn. ISBN 978-3836239554

Prüfungsleistungen:

Schriftliche Ausarbeitung: Projektbericht

Zeitaufwand Studierende (in Std.): 150

Selbststudium (in Std.): 120
Selbstüberprüfung (in Std.): -
Tutorien (in Std.): 30

Modul Mathematik Grundlagen I (IMT1)

5 ECTS

Modulbezeichnung: Mathematik Grundlagen I

Modulnummer:

IMT1

Semester:

4 Semester

Dauer:

Minimaldauer 1 Semester

Modul Typ:

Pflicht

Regulär angeboten im:

WS, SS

Workload: 150 h

ECTS Punkte : 5 ECTS

Zugangsvoraussetzungen:

keine

Unterrichtssprache:

Deutsch

Kurse im Modul:

  • Mathematik Grundlagen I (IMT101)

Dauer:

Selbststudium: 90h
Selbstüberprüfung: 30h
Tutorien: 30h

Kurskoordinator(en) / Dozenten / Lektoren:

Siehe aktuelle Liste der Tutoren im Learning Management System

Modulverantwortliche(r):

Prof. Dr. Moritz Venschott

Bezüge zu anderen Programmen:

  • Bachelor Wirtschaftsinformatik
  • Bachelor Wirtschaftsingenieurwesen Industrie 4.0

Bezüge zu anderen Modulen im Programm :

• Programmierung von Webanwendungen
• Finanzierung

Qualifikations- und Lernziele des Moduls :

Nach erfolgreichem Abschluss des Moduls

  • kennen die Studierenden grundlegende Begriffe und Bezeichnungen der diskreten Mathematik, können sie beschreiben und voneinander abgrenzen.
  • kennen die Studierenden Grundkonzepte der Zahlentheorie sowie deren Anwendung in IT und Technik und können selbstständig Aufgaben unter Anwendung dieser Konzepte lösen.

Qualifikations- und Lernziele des Moduls :

  • Grundlegende Definitionen und Bezeichnungen der diskreten Mathematik
  • Mengen und Aussagenlogik
  • Zahlensysteme wie Dezimal- und Binärsystem
  • Abbildungen
  • Ausgewählte Themen der elementaren Zahlentheorie
  • Krypthografie

Lehrmethoden:

Literatur:

Siehe Literaturliste der vorliegenden Kursbeschreibung

Anteil der Modulnote an der Gesamtabschlussnote des Programms: :

5 ECTS von 180 ECTS = 2.78%

Prüfungszulassungsvoraussetzung :

Abschlussprüfungen:

Siehe Kursbeschreibung

Klausur 90 Min. (100%)

Kursnummer:

IMT101

Kursname:

Mathematik Grundlagen I

Gesamtstunden :

150 h

ECTS Punkte:

5 ECTS

Kurstyp : Pflicht

Kursangebot : WS, SS

Kursdauer :

Zugangsvoraussetzungen:

keine

Kurskoordinator(en) / Dozenten / Lektoren :

Siehe aktuelle Liste im Learning Management System

Bezüge zu anderen Modulen:

Siehe Modulbeschreibung

Beschreibung des Kurses:

Viele praktische Konzepte von IT und Technik basieren auf den Erkenntnissen der diskreten Mathematik. Für ein tief gehendes Verständnis, z. B. von Datenstrukturen, Aufbau von Kommunikationsnetzen oder der Lösung von algorithmischen Problemen, ist ein grundlegendes Verständnis der mathematischen Hintergründe notwendig. Daher werden in diesem Kurs Begriffe und Konzepte der diskreten Mathematik eingeführt und dann spezielle Bereiche der Zahlentheorie herausgegriffen und vermittelt.

Kursziele:

Nach erfolgreichem Abschluss des Kurses

  • kennen die Studierenden grundlegende Begriffe und Bezeichnungen der diskreten Mathematik, können sie beschreiben und voneinander abgrenzen.
  • kennen die Studierenden Grundkonzepte der Zahlentheorie sowie deren Anwendung in der in IT und Technik und können selbstständig Aufgaben unter Anwendung dieser Konzepte lösen.

Lehrmethoden:

Die Lehrmaterialien enthalten Skripte, Video-Vorlesungen, Übungen, Podcasts, (Online-) Tutorien und Fallstudien. Sie sind so strukturiert, dass Studierende sie in freier Ortswahl und zeitlich unabhängig bearbeiten können.

Inhalte des Kurses:

1. Mathematische Grundlagen
1.1. Grundbegriffe
1.2. Beweistechniken
1.3. Endliche Summen
2. Mengen
2.1. Eigenschaften und Rechenregeln für Mengen
2.2. Äquivalenzrelationen
3. Aussagenlogik
3.1. Aussagen und logische Verknüpfungen
3.2. Wahrheitstafeln
3.3. Rechenregeln der Aussagenlogik
3.4. Vereinfachung von aussagenlogischen Ausdrücken
4. Zahlensysteme
4.1. Dezimalsystem
4.2. Binärsystem
4.3. Hexadezimalsystem
5. Abbildungen
5.1. Abbildungen und Graphen
5.2. Besondere Eigenschaften von Abbildungen
6. Algebraische Grundstrukturen
6.1. Gruppen
6.2. Ringe
6.3. Restklassenringe
7. Primzahlen
7.1. Definition und Eigenschaften von Primzahlen
7.2. Primzahlentest
8. Modulare Arithmetik
8.1. Der Euklidische Algorithmus
8.2. Fundamentalsatz der Arithmetik
9. Anwendung in der Kryptografie
9.1. Das Verschiebe-Kryptosystem
9.2. Symmetrische vs asymmetrische Kryptosysteme
9.3. Das RSA-Kryptosystem

Literatur:

  • Beutelspacher, A. (2003): Lineare Algebra. Eine Einführung in die Wissenschaft der Vektoren, Abbildungen und Matrizen. 6. Auflage, Vieweg. ISBN 978-3-5285-6508-4.
  • Beutelspacher, A. (2009): Kryptologie: Eine Einführung in die Wissenschaft vom Verschlüsseln, Verbergen und Verheimlichen. 9. Auflage, Vieweg+Teubner. ISBN 978-3-8348-0703-8.
  • Drews, R./Scholl, W. (2001): Handbuch der Mathematik. Orbis. ISBN 978-3-5720-1298-5.
  • Forster, O. (2001): Analysis 1. 6. Auflage, Vieweg. ISBN 3-528-57224-8.
  • Hoffmann, U. (2005): Mathematik für Wirtschaftsinformatiker. Übungen mit Lösungen. (URL: http://opus.uni-lueneburg.de/opus/volltexte/2006/383/pdf/Uebungen_zur_Mathematik_fuer_Wirtschaftsinformatiker.pdf [letzter Zugriff: 27.02.2017]).
  • Teschl, G./Teschl, S. (2013): Diskrete Mathematik und lineare Algebra. 4. Auflage, Springer Vieweg, Berlin, Heidelberg. ISBN 978-3-642379710.

Prüfungsleistungen:

Klausur, 90 Min.

Zeitaufwand Studierenden (in Std.): 150

Selbststudium (in Std.): 90
Selbstüberprüfung (in Std.): 30
Tutorien (in Std.): 30

Modul Data Analytics und Big Data (DLBINGDABD)

5 ECTS

Modulbezeichnung: Data Analytics und Big Data

Modulnummer:

DLBINGDABD

Semester:

4 Semester

Dauer:

Minimaldauer 1 Semester

Modul Typ:

Pflicht

Regulär angeboten im:

WS, SS

Workload: 150 h

ECTS Punkte : 5 ECTS

Zugangsvoraussetzungen:

keine

Unterrichtssprache:

Deutsch

Kurse im Modul:

  • Data Analytics und Big Data (DLBINGDABD01)

Dauer:

Selbststudium: 110 h
Selbstüberprüfung: 20 h
Tutorien: 20 h

Kurskoordinator(en) / Dozenten / Lektoren:

Siehe aktuelle Liste der Tutoren im Learning Management System

Modulverantwortliche(r):

Prof. Dr. Ralf Kneuper

Bezüge zu anderen Programmen:

keine

Bezüge zu anderen Modulen im Programm :

• Einführung in das Internet of Things
• Design Thinking
• Einführung in Datenschutz und IT-Sicherheit

Qualifikations- und Lernziele des Moduls :

Die Studierenden

  • können zwischen Informationen und Daten unterscheiden und kennen die Bedeutung dieser Begriffe für die Entscheidungsfindung.
  • können die Big Data-Problematik, insbesondere im Zusammenhang mit dem Internet of Things, herleiten und anhand von Beispielen beschreiben.
  • kennen Grundlagen aus der Statistik, die für die Analyse großer Datenbestände notwendig sind.
  • kennen den Prozess des Data Mining und können verschiedene Methoden darin einordnen.
  • kennen ausgewählte Methoden und Technologien, die im Big Data-Kontext angewendet werden und können sie an einfachen Beispielen anwenden.
  • kennen die rechtlichen Rahmenbedingungen für die Anwendung der Datenanalyse in Deutschland sowie international.
  • kennen die besonderen Chancen und Herausforderungen der Anwendung von Big Data-Analysen in der Industrie.

Qualifikations- und Lernziele des Moduls :

  • Einführung in die Analyse von Daten
  • Statistische Grundlagen
  • Data Mining
  • Big Data-Methoden und Technologien
  • Rechtliche Aspekte der Datenanalyse
  • Lösungsszenarien
  • Anwendung von Big Data in der Industrie

Lehrmethoden:

Literatur:

Siehe Literaturliste der vorliegenden Kursbeschreibung

Anteil der Modulnote an der Gesamtabschlussnote des Programms: :

5 ECTS von 180 ECTS = 2.78%

Prüfungszulassungsvoraussetzung :

Abschlussprüfungen:

Siehe Kursbeschreibung

Schriftliche Ausarbeitung: Fallstudie (100 %)

Kursnummer:

DLBINGDABD01

Kursname:

Data Analytics und Big Data

Gesamtstunden :

150 h

ECTS Punkte:

5 ECTS

Kurstyp : Pflicht

Kursangebot : WS, SS

Kursdauer :

Zugangsvoraussetzungen:

keine

Kurskoordinator(en) / Dozenten / Lektoren :

Siehe aktuelle Liste im Learning Management System

Bezüge zu anderen Modulen:

Siehe Modulbeschreibung

Beschreibung des Kurses:

Ziel des Kurses ist es, die Studierenden mit ausgewählten Methoden und Techniken der Datenanalyse im Kontext stetig wachsender, heterogener Datenmengen vertraut zu machen. Hierzu wird zunächst die grundsätzliche Relevanz von Big Data-Methoden anhand der historischen Entwicklung der Datenbestände motiviert. Entscheidend ist hier unter anderem die kontinuierliche Belieferung der Systeme mit Sensordaten aus dem Internet of Things. Es folgt eine kurze Einführung in die wesentlichen statistischen Grundlagen, bevor die einzelnen Schritte des Data Mining-Prozess thematisiert werden. In Abgrenzung zu diesen klassischen Verfahren werden dann ausgewählte Methoden vorgestellt, mit denen Datenbestände im Big Data-Kontext analysierbar gemacht werden können. Weil die Datenanalyse bestimmten gesetzlichen Rahmenbedingungen unterliegt, werden in diesem Kurs zudem rechtliche Aspekte wie der Datenschutz behandelt. Der Kurs schließt mit einem Überblick über den Praxiseinsatz von Big Data-Methoden und -Werkzeugen. Hierbei werden insbesondere die Anwendungsfelder im industriellen Kontext beleuchtet.

Kursziele:

Die Studierenden

  • können zwischen Informationen und Daten unterscheiden und kennen die Bedeutung dieser Begriffe für die Entscheidungsfindung.
  • können die Big Data-Problematik, insbesondere im Zusammenhang mit dem Internet of Things, herleiten und anhand von Beispielen beschreiben.
  • kennen Grundlagen aus der Statistik, die für die Analyse großer Datenbestände notwendig sind.
  • kennen den Prozess des Data Mining und können verschiedene Methoden darin einordnen.
  • kennen ausgewählte Methoden und Technologien, die im Big Data-Kontext angewendet werden und können sie an einfachen Beispielen anwenden.
  • kennen die rechtlichen Rahmenbedingungen für die Anwendung der Datenanalyse in Deutschland sowie international.
  • kennen die besonderen Chancen und Herausforderungen der Anwendung von Big Data-Analysen in der Industrie.

Lehrmethoden:

Die Lehrmaterialien enthalten Skripte, Video-Vorlesungen, Übungen, Podcasts, (Online-) Tutorien und Fallstudien. Sie sind so strukturiert, dass Studierende sie in freier Ortswahl und zeitlich unabhängig bearbeiten können.

Inhalte des Kurses:

1. Einführung in die Analyse von Daten

1.1 Entscheidungen, Informationen, Daten

1.2 Historische Entwicklung der Speicherung und Auswertung von Daten

1.3 Big Data: Eigenschaften und Beispiele

1.4 Datenanalyse

1.5 Das Internet of Things als Treiber für Big Data

2. Statistische Grundlagen

2.1 Deskriptive Datenanalyse

2.2 Inferenzielle Datenanalyse

2.3 Explorative Datenanalyse

2.4 Multivariate Datenanalyse

3. Data Mining

3.1 Knowledge Discovery in Databases

3.2 Assoziationsanalyse

3.3 Korrelationsanalyse

3.4 Prognose

3.5 Clusteranalyse

3.6 Klassifikation

4. Big Data-Methoden und -Technologien

4.1 Technologiebausteine

4.2 MapReduce

4.3 Text- und semantische Analyse

4.4 Audio- und Videoanalyse

4.5 BASE und NoSQL

4.6 In-Memory-Datenbanken

4.7 Big-Data-Erfolgsfaktoren

5. Rechtliche Aspekte der Datenanalyse

5.1 Datenschutzgrundsätze in Deutschland

5.2 Anonymisierung und Pseudonymisierung

5.3 Internationale Datenanalyse

5.4 Leistungs- und Integritätsschutz

6. Lösungsszenarien

7. Anwendung von Big Data in der Industrie

7.1 Produktion und Logistik

7.2 Effizienzsteigerungen in der Supply Chain

7.3 Schlüsselfaktor Daten

7.4 Beispiele und Fazit

Literatur:

  • Brandt, S. (2013): Datenanalyse für Naturwissenschaftler und Ingenieure. Mit statistischen Methoden und Java-Programmen. 5. Auflage, Springer, Wiesbaden. ISBN-13: 978-3-642376634.
  • Dorschel, J. (Hrsg.) (2015): Praxishandbuch Big Data. Wirtschaft – Recht – Technik. Springer Gabler Wiesbaden. ISBN-13: 978-3-658072889.
  • Gandomi, A./Haider, M. (2015): Beyond the hype. Big data concepts, methods, and analytics. In: International Journal of Information Management, 35. Jg., Heft 2, S. 137–144.
  • Provost, F./Fawcett, T. (2013): Data science for business. What You Need to Know About Data Mining and Data-Aalytic Thinking. O'Reilly, Sebastopol (CA). ISBN-13: 978-1449361327.
  • Runkler, T. A. (2015): Data Mining. Modelle und Algorithmen intelligenter Datenanalyse. 2. Auflage, Springer Vieweg, Wiesbaden. ISBN-13: 978-3834816948

Prüfungsleistungen:

Schriftliche Ausarbeitung: Fallstudie

Zeitaufwand Studierenden (in Std.): 150

Selbststudium (in Std.): 110
Selbstüberprüfung (in Std.): 20
Tutorien (in Std.): 20

Modul Statistical Computing (DLBDBSC)

5 ECTS

Modulbezeichnung: Statistical Computing

Modulnummer:

DLBDBSC

Semester:

4 Semester

Dauer:

Minimaldauer 1 Semester

Modul Typ:

Pflicht

Regulär angeboten im:

WS, SS

Workload: 150 h

ECTS Punkte : 5 ECTS

Zugangsvoraussetzungen:

keine

Unterrichtssprache:

Deutsch

Kurse im Modul:

  • Statistical Computing (DLBDBSC01)

Dauer:

Selbststudium: 110 h
Selbstüberprüfung: 20 h
Tutorien: 20 h

Kurskoordinator(en) / Dozenten / Lektoren:

Siehe aktuelle Liste der Tutoren im Learning Management System

Modulverantwortliche(r):

Dr. Amelie Eilken

Bezüge zu anderen Programmen:

  • Bachelor Wirtschaftsingenieurswesen Industrie 4.0
  • Bachelor Wirtschaftsinformatik

Bezüge zu anderen Modulen im Programm :

  • Statistik
  • Data Analystics und Big Data
  • Deep Learning
  • Business Intelligence

Qualifikations- und Lernziele des Moduls :

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

  • den Begriff Statistical Computing einzuordnen und abzugrenzen.
  • sich eine PC-Arbeitsumgebung zu schaffen, mit der Aufgaben aus dem Themengebiet Statistical Computing bearbeitet werden können.
  • einfache Programme mit der Programmiersprache R zu schreiben.
  • mit R Daten zu importieren und zu exportieren.
  • mit R verschiedene statistische Verfahren anzuwenden, von der deskriptiven Statistik über die Inferenzstatistik bis hin zur Varianz- und Regressionsanalyse.

Qualifikations- und Lernziele des Moduls :

  • Einstieg in das Statistical Computing
  • Grundlagen der Programmierung mit R
  • Auf Daten zugreifen
  • Deskriptive Statistik
  • Inferenzstatistik
  • Varianzanalyse
  • Regressionsanalyse

Lehrmethoden:

Literatur:

Siehe Literaturliste der vorliegenden Kursbeschreibung

Anteil der Modulnote an der Gesamtabschlussnote des Programms: :

5 ECTS von 180 ECTS = 2.78%

Prüfungszulassungsvoraussetzung :

Abschlussprüfungen:

Siehe Kursbeschreibung

DLBDBSC01
Schriftliche Ausarbeitung: Fallstudie (100%)

Kursnummer:

DLBDBSC01

Kursname:

Statistical Computing

Gesamtstunden :

150 h

ECTS Punkte:

5 ECTS

Kurstyp : Pflicht

Kursangebot : WS, SS

Kursdauer :

Zugangsvoraussetzungen:

keine

Kurskoordinator(en) / Dozenten / Lektoren :

Siehe aktuelle Liste im Learning Management System

Bezüge zu anderen Modulen:

Siehe Modulbeschreibung

Beschreibung des Kurses:

Das Statistical Computing verbindet die Konzepte und Methoden der Statistik mit den Werkzeugen aus der Informatik. Das Ergebnis sind unter anderem Statistik-Programme und -Programmiersprachen, die viele nützliche Funktionen zur Analyse von digital verfügbaren Datenquellen bieten. In diesem Kurs wird den Studierenden die Programmiersprache R vermittelt, um damit anschließend statistische Verfahren (z. B. Regressionsanalyse, Varianzanalyse) anwenden zu können. Im Rahmen einer Fallstudie sollen die erworbenen Kompetenzen eingesetzt werden, um Zusammenhänge aus komplexen Datenquellen zu gewinnen und graphisch darzustellen.

Kursziele:

Nach erfolgreichem Abschluss des Kurses sind die Studierenden in der Lage,

  • den Begriff Statistical Computing einzuordnen und abzugrenzen.
  • sich eine PC-Arbeitsumgebung zu schaffen, mit der Aufgaben aus dem Themengebiet Statistical Computing bearbeitet werden können.
  • einfache Programme mit der Programmiersprache R zu schreiben.
  • mit R Daten zu importieren und zu exportieren.
  • mit R verschiedene statistische Verfahren anzuwenden, von der deskriptiven Statistik über die Inferenzstatistik bis hin zur Varianz- und Regressionsanalyse.

Lehrmethoden:

Die Lehrmaterialien enthalten Skripte, Video-Vorlesungen, Übungen, Podcasts, (Online-) Tutorien und Fallstudien. Sie sind so strukturiert, dass Studierende sie in freier Ortswahl und zeitlich unabhängig bearbeiten können.

Inhalte des Kurses:

1. Einstieg in das Statistical Computing

1.1 Begriffsbestimmung und Abgrenzung

1.2 Statistik-Programm vs. Statistik-Programmiersprache

1.3 Einrichtung der Arbeitsumgebung

2. Grundlagen der Programmierung mit R

2.1 R als Taschenrechner

2.2 Zuweisungen und Variablen

2.3 Vektoren und Matrizen

2.4 Logik

2.5 Funktionen

2.6 Datentypen und Datenstrukturen

3. Auf Daten zugreifen

3.1 Daten eingeben

3.2 Import und Export von externen Dateien

3.3 Datenmanagement in R

4. Deskriptive Statistik

4.1 Univariate deskriptive Statistik

4.2 Bivariate deskriptive Statistik

5. Inferenzstatistik

5.1 Verteilungen

5.2 Stichproben

5.3 t-Tests

6. Varianzanalyse

6.1 Grundlagen und Abgrenzung zum t-Test

6.2 Einfaktorielle Varianzanalyse

6.3 Zweifaktorielle Varianzanalyse

7. Regressionsanalyse

7.1 Korrelation

7.2 Lineare Regression

7.3 Weitere Modelle und Verfahren

Literatur:

  • Ligges, U. (2008): Programmieren mit R. 3. Auflage, Springer, Heidelberg.
  • Luhmann, M. (2015): R für Einsteiger. Einführung in die Statistiksoftware für die Sozialwissenschaften. Beltz, Weinheim, Basel.
  • Toomey, D. (2017): Jupyter for Data Science. Exploratory analysis, statistical modeling, machine learning, and data visualization with Jupyter. Packt Publishing, Birmingham, UK.
  • Vanderplas, J. (2017): Data Science mit Python. Das Handbuch für den Einsatz von Ipython, Jupyter, NumPy, Pandas, Matplotlib, Scikit-Learn. mitp, Frechen.
  • Wollschläger, D. (2015): Grundlagen der Datenanalyse mit R. Eine anwendungsorientierte Einführung. Springer Spektrum, Berlin Heidelberg.

Prüfungsleistungen:

Schriftliche Ausarbeitung: Fallstudie

Zeitaufwand Studierende (in Std.): 150

Selbststudium (in Std.): 110
Selbstüberprüfung (in Std.): 20
Tutorien (in Std.): 20

Modul Deep Learning (DLBDBDL)

5 ECTS

Modulbezeichnung: Deep Learning

Modulnummer:

DLBDBDL

Semester:

4 Semester

Dauer:

Minimaldauer 1 Semester

Modul Typ:

Pflicht

Regulär angeboten im:

WS, SS

Workload: 150 h

ECTS Punkte : 5 ECTS

Zugangsvoraussetzungen:

keine

Unterrichtssprache:

Deutsch

Kurse im Modul:

  • Deep Learning (DLBDBDL01)

Dauer:

Selbststudium: 90 h
Selbstüberprüfung: 30 h
Tutorien: 30 h

Kurskoordinator(en) / Dozenten / Lektoren:

Siehe aktuelle Liste der Tutoren im Learning Management System

Modulverantwortliche(r):

Prof. Dr. Martin Przewloka

Bezüge zu anderen Programmen:

  • Bachelor Wirtschaftsingenieurswesen Industrie 4.0
  • Bachelor Wirtschaftsinformatik

Bezüge zu anderen Modulen im Programm :

  • Statistical Computing
  • Data Analystics und Big Data
  • Business Intelligence

Qualifikations- und Lernziele des Moduls :

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

  • Konzepte des Deep Learning in den Kontext maschinelles Lernen und künstliche Intelligenz einzuordnen.
  • verschiedene Regressionsarten abzugrenzen und insbesondere die Umsetzung der logistischen Regression mit Perzeptronen zu erläutern.
  • den Aufbau und die Funktionsweise einfacher neuronaler Netze zu erläutern.
  • Konzepte und Zusammenhänge im Zusammenhang mit dem Trainieren von neuronalen Netzen zu erläutern und in Teilen zu implementieren.
  • verschiedene Deep Learning-Frameworks abzugrenzen.
  • neuronale Netze mithilfe eines Deep Learning-Frameworks zu implementieren, zu trainieren und zu optimieren.
  • den Aufbau und die Funktionsweise von Convolutional Neural Networks zu verstehen und sie mithilfe eines Deep Learning-Frameworks trainieren zu können.

Qualifikations- und Lernziele des Moduls :

  • Einführung
  • Einführung in Neuronale Netze
  • Neuronale Netze trainieren
  • Einstieg in Deep Learning-Frameworks
  • Klassifikation und Optimierung
  • Mehrlagige Neuronale Netze
  • Convolutional Neural Networks

Lehrmethoden:

Literatur:

Siehe Literaturliste der vorliegenden Kursbeschreibung

Anteil der Modulnote an der Gesamtabschlussnote des Programms: :

5 ECTS von 180 ECTS = 2.78%

Prüfungszulassungsvoraussetzung :

Abschlussprüfungen:

Siehe Kursbeschreibung

DLBDBDL01
Klausur, 90 Min. (100%)

Kursnummer:

DLBDBDL01

Kursname:

Deep Learning

Gesamtstunden :

150 h

ECTS Punkte:

5 ECTS

Kurstyp : Pflicht

Kursangebot : WS, SS

Kursdauer :

Zugangsvoraussetzungen:

keine

Kurskoordinator(en) / Dozenten / Lektoren :

Siehe aktuelle Liste im Learning Management System

Bezüge zu anderen Modulen:

Siehe Modulbeschreibung

Beschreibung des Kurses:

Dank jüngster technologischer Fortschritte können nun einige Konzepte und Methoden aus der künstlichen Intelligenz praktisch angewendet werden. Ein wesentliches Konzept, das von diesem Fortschritt betroffen ist, sind neuronale Netze. Dank schneller und günstiger GPUs einerseits sowie frei verfügbarer und gut dokumentierter Frameworks andererseits werden neuronale Netze heute zur Lösung sehr vieler unterschiedlicher Probleme eingesetzt, von der Mustererkennung in Text und Bild bis zur automatisierten Beurteilung von Versicherungsschäden. In diesem Kurs werden die Studierenden in die Grundlagen dieser Technologie eingeführt und dazu befähigt, sie an einfachen Beispielen anzuwenden.

Kursziele:

Nach erfolgreichem Abschluss des Kurses sind die Studierenden in der Lage,

  • Konzepte des Deep Learning in den Kontext maschinelles Lernen und künstliche Intelligenz einzuordnen.
  • verschiedene Regressionsarten abzugrenzen und insbesondere die Umsetzung der logistischen Regression mit Perzeptronen zu erläutern.
  • den Aufbau und die Funktionsweise einfacher neuronaler Netze zu erläutern.
  • Konzepte und Zusammenhänge im Zusammenhang mit dem Trainieren von neuronalen Netzen zu erläutern und in Teilen zu implementieren.
  • verschiedene Deep Learning-Frameworks abzugrenzen.
  • neuronale Netze mithilfe eines Deep Learning-Frameworks zu implementieren, zu trainieren und zu optimieren.
  • den Aufbau und die Funktionsweise von Convolutional Neural Networks zu verstehen und sie mithilfe eines Deep Learning-Frameworks trainieren zu können.

Lehrmethoden:

Die Lehrmaterialien enthalten Skripte, Video-Vorlesungen, Übungen, Podcasts, (Online-) Tutorien und Fallstudien. Sie sind so strukturiert, dass Studierende sie in freier Ortswahl und zeitlich unabhängig bearbeiten können.

Inhalte des Kurses:

1. Einführung in Deep Learning

1.1 Künstliche Intelligenz

1.2 Maschinelles Lernen

1.2 Deep Learning

1.4 Deep Learning Frameworks

2. Einführung in neuronale Netze

2.1 Lineare Regression

2.2 Logistische Regression

2.3 Perzeptronen

2.4 Arten von Perzeptronen

3. Neuronale Netze trainieren

3.1 Mittlerer quadratischer Fehler

3.2 Gradientenverfahren

3.3 Mehrlagiges Perzeptron

3.4 Backpropagation

3.5 Backpropagation implementieren

4. Einstieg in Deep Learning Frameworks

4.1 Überblick

4.2 Erste Schritte mit Tensorflow

4.3 Grundlegende Konzepte

4.4 Mathematische Funktionen

5. Klassifikation und Optimierung

5.1 Linearer Klassifizierer

5.2 Kostenfunktionen

5.3 Parameterkonfiguration und Kreuzvalidierung

5.4 Stochastic Gradient Descent

5.5 Mini-Batching

5.6 Epochs

6. Mehrlagige neuronale Netze

6.1 Einführung und Motivation

6.2 Aufbau und Mathematik

6.3 Implementierung mit Tensorflow

6.4 Bestehende Modelle anpassen

6.5 Überanpassung und Lösungsansätze

7. Convolutional Neural Networks

7.1 Motivation und Einsatzgebiete

7.2 Aufbau

7.3 CNNs für Textanalyse

7.4 CNNs für Bildanalyse

Literatur:

  • Alpaydin, E. (2008): Maschinelles Lernen. Oldenbourg Wissenschaftsverlag, München. ISBN 978-3486581140
  • Géron, A. (2017): Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow: Konzepte, Tools und Techniken für intelligente Systeme. O'Reilly. ISBN 978-3960090618.
  • Rashid, T. (2017): Neuronale Netze selbst programmieren: Ein verständlicher Einstieg mit Python. O'Reilly. ISBN: 978-3960090434
  • Russel, S. (2012): Künstliche Intelligenz – Ein moderner Ansatz. Pearson, Hallbergmoos. ISBN 978-3868940985
  • Zhang, Y./Wallace, B. (2016): A Sensitivity Analysis of (and Practitioners' Guide to) Convolutional Neural Networks for Sentence Classification. In: Proceedings of the Eighth International Joint Conference on Natural Language Processing, IJCNLP 2017. Asian Federation of Natural Language Processing Taipei, Taiwan.

Prüfungsleistungen:

Klausur, 90 Min.

Zeitaufwand Studierende (in Std.): 150

Selbststudium (in Std.): 90
Selbstüberprüfung (in Std.): 30
Tutorien (in Std.): 30

Modul Business Intelligence (DLBDBBI)

5 ECTS

Modulbezeichnung: Business Intelligence

Modulnummer:

DLBDBBI

Semester:

4 Semester

Dauer:

Minimaldauer 1 Semester

Modul Typ:

Pflicht

Regulär angeboten im:

WS, SS

Workload: 150 h

ECTS Punkte : 5 ECTS

Zugangsvoraussetzungen:

keine

Unterrichtssprache:

Deutsch

Kurse im Modul:

  • Business Intelligence (IWBI01)

Dauer:

Selbststudium: 90 h
Selbstüberprüfung: 30 h
Tutorien: 30 h

Kurskoordinator(en) / Dozenten / Lektoren:

Siehe aktuelle Liste der Tutoren im Learning Management System

Modulverantwortliche(r):

Dr. Thomas Zöller

Bezüge zu anderen Programmen:

  • Bachelor Wirtschaftsingenieurswesen Industrie 4.0
  • Bachelor Wirtschaftsinformatik

Bezüge zu anderen Modulen im Programm :

  • Projekt Business Intelligence
  • Datenbankmodellierung und Datenbanksysteme
  • Digitale Businessmodelle

Qualifikations- und Lernziele des Moduls :

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

  • die Motivation, Anwendungsfälle und Grundlagen für Business Intelligence zu erklären.
  • Techniken und Methoden zur Bereitstellung und Modellierung von Daten sowie für BI relevante Arten von Daten zu benennen und zu erläutern sowie voneinander abzugrenzen.
  • Techniken und Methoden zur Informationsgenerierung und -speicherung zu erläutern und auf Basis konkreter Anforderungen selbstständig geeignete Methoden auszuwählen.

Qualifikations- und Lernziele des Moduls :

  • Motivation und Begriffsbildung
  • Datenbereitstellung
  • Data Warehouse
  • Modellierung multidimensionaler Datenräume
  • Analysesysteme
  • Distribution und Zugriff

Lehrmethoden:

Literatur:

Siehe Literaturliste der vorliegenden Kursbeschreibung

Anteil der Modulnote an der Gesamtabschlussnote des Programms: :

5 ECTS von 180 ECTS = 2.78%

Prüfungszulassungsvoraussetzung :

Abschlussprüfungen:

Siehe Kursbeschreibung

IWBI01
Klausur, 90 Min. (100%)

Kursnummer:

IWBI01

Kursname:

Business Intelligence

Gesamtstunden :

150 h

ECTS Punkte:

5 ECTS

Kurstyp : Pflicht, Wahlpflicht

Zu Details beachte bitte das Curriculum des jeweiligen Studiengangs

Kursangebot : WS, SS

Kursdauer :

Zugangsvoraussetzungen:

Datenmodellierung und Datenbanksysteme

Kurskoordinator(en) / Dozenten / Lektoren :

Siehe aktuelle Liste im Learning Management System

Bezüge zu anderen Modulen:

Siehe Modulbeschreibung

Beschreibung des Kurses:

Business Intelligence (BI) dient der Gewinnung von Informationen aus Unternehmensdaten, die sowohl für eine gezielte Unternehmenssteuerung als auch für die Optimierung von Geschäftsaktivitäten relevant sind. Im Rahmen dieses Kurses werden Techniken, Vorgehensweisen und Modelle zur Datenbereitstellung, Informationsgenerierung und -analyse sowie der Verteilung der gewonnenen Informationen vorgestellt und diskutiert. Sie werden danach in der Lage sein, die verschiedenen Themengebiete des Data Warehousing zu erläutern und Methoden bzw. Techniken für konkrete Anforderungen selbstständig auszuwählen.

Kursziele:

Nach erfolgreichem Abschluss des Kurses des Kurses sind die Studierenden in der Lage,

  • die Motivation, Anwendungsfälle und Grundlagen für Business Intelligence zu erklären.
  • Techniken und Methoden zur Bereitstellung und Modellierung von Daten sowie für BI relevante Arten von Daten zu benennen und zu erläutern sowie voneinander abzugrenzen.
  • Techniken und Methoden zur Informationsgenerierung und -speicherung zu erläutern und auf Basis konkreter Anforderungen selbstständig geeignete Methoden auszuwählen.

Lehrmethoden:

Die Lehrmaterialien enthalten Skripte, Video-Vorlesungen, Übungen, Podcasts, (Online-) Tutorien und Fallstudien. Sie sind so strukturiert, dass Studierende sie in freier Ortswahl und zeitlich unabhängig bearbeiten können.

Inhalte des Kurses:

1. Motivation und Begriffsbildung

1.1 Motivation und historische Entwicklung

1.2 BI als Rahmenwerk

2. Datenbereitstellung

2.1 Operative und dispositive Systeme

2.2 Das Data-Warehouse-Konzept

2.3 Architekturvarianten

3. Data Warehouse

3.1 ETL-Prozess

3.2 DWH und Data Mart

3.3 ODS und Metadaten

4. Modellierung multidimensionaler Datenräume

4.1 Datenmodellierung

4.2 OLAP-Würfel

4.3 Physische Speicherung

4.4 Star- und Snowflake-Schema

4.5 Historisierung

5. Analysesysteme

5.1 Freie Datenrecherche und OLAP

5.2 Berichtssysteme

5.3 Modellgestützte Analysesysteme

5.4 Konzeptorientierte Systeme

6. Distribution und Zugriff

6.1 Informationsdistribution

6.2 Informationszugriff

Literatur:

  • Bachmann, R./Kemper, G. (2011): Raus aus der BI-Falle. Wie Business Intelligence zum Erfolg wird. 2. Auflage, mitp, Heidelberg. ISBN-13: 978-3826691065.
  • Bauer, A./Günzel, H. (2008): Data Warehouse Systeme. Architektur, Entwicklung, Anwendung. 3. Auflage, dpunkt.verlag, Heidelberg. ISBN-13: 978-3898645409.
  • Betz, R. (2015): Werde Jäger des verlorenen Schatzes. In: Immobilienwirtschaft, Heft 5, S. 1614–1164. (URL https://www.haufe.de/download/immobilienwirtschaft-ausgabe-052015-immobilienwirtschaft-fachmagazin-fuer-management-recht-praxis-303530.pdf [letzter Zugriff: 27.02.2017]).
  • Bodendorf, F. (2006): Daten- und Wissensmanagement. 2. Auflage, Springer, Berlin. ISBN-13: 978-3540287438.
  • Chamoni, P./Gluchowski, P. (Hrsg.) (2006): Analytische Informationssysteme Business Intelligence-Technologien und -Anwendungen. Springer, Berlin. ISBN-13: 978-3540292869.
  • Engels, C. (2008): Basiswissen Business Intelligence. W3L, Herdecke/Witten. ISBN-13: 978-3937137377.
  • Gansor, T./Totok, A./Stock, S. (2010): Von der Strategie zum Business Intelligence Competency Center (BICC). Konzeption – Betrieb – Praxis. Hanser, München. ISBN-13: 978-3446421332.
  • Gluchowski, P./Gabriel, R./Dittmar, C. (2008): Management Support Systeme und Business Intelligence. Computergestützte Informationssysteme für Fach- und Führungskräfte. 2. Auflage, Springer, Berlin/Heidelberg. ISBN-13: 978-3540235439.
  • Grothe, M. (2000): Business Intelligence. Aus Informationen Wettbewerbsvorteile gewinnen. Addison-Wesley, München. ISBN-13: 978-3827315915.
  • Gutenberg, E. (1983): Grundlagen der Betriebswirtschaft, Band 1. Die Produktion. 18. Auflage, Springer, Berlin/Heidelberg/New York. ISBN-13: 978-3540056942.
  • Hannig, U. (Hrsg.) (2002): Knowledge Management und Business Intelligence. Springer, Berlin. ISBN-13: 978-3540428046.
  • Hansen, H.-R./Neumann, G. (2001): Wirtschaftsinformatik I. Grundlagen betrieblicher Informationsverarbeitung. 8. Auflage, Lucius & Lucius UTB, Stuttgart. ISBN-13: 978-3825208028.
  • Humm, B./Wietek, F. (2005): Architektur von Data Warehouses und Business Intelligence Systemen. In: Informatik Spektrum, S. 3–14. (URL: https://www.fbi.h-da.de/fileadmin/personal/b.humm/Publikationen/Humm__Wietek_-_Architektur_DW__Informatik-Spektrum_2005-01_.pdf [letzter Zugriff: 27.02.2017]).
  • Kemper, H.-G./Baars, H./Mehanna, W. (2010): Business Intelligence – Grundlagen und praktische Anwendungen. Eine Einführung in die IT-basierte Managementunterstützung. 3. Auflage, Vieweg+Teubner, Stuttgart. ISBN-13: 978-3834807199.
  • Turban, E. et al. (2010): Business Intelligence. A Managerial Approach. 2. Auflage, Prentice Hall, Upper Saddle River (NJ). ISBN-13: 978-0136100669.

Prüfungsleistungen:

Klausur, 90 Min.

Zeitaufwand Studierenden (in Std.): 150

Selbststudium (in Std.): 90
Selbstüberprüfung (in Std.): 30
Tutorien (in Std.): 30

Modul Projekt Business Intelligence (DLBDBPBI)

5 ECTS

Modulbezeichnung: Projekt Business Intelligence

Modulnummer:

DLBDBPBI

Semester:

4 Semester

Dauer:

Minimaldauer 1 Semester

Modul Typ:

Pflicht

Regulär angeboten im:

WS, SS

Workload: 150 h

ECTS Punkte : 5 ECTS

Zugangsvoraussetzungen:

keine

Unterrichtssprache:

Deutsch

Kurse im Modul:

  • Projekt Business Intelligence (IWBI02)

Dauer:

Selbststudium: 120 h
Selbstüberprüfung: -
Tutorien: 30 h

Kurskoordinator(en) / Dozenten / Lektoren:

Siehe aktuelle Liste der Tutoren im Learning Management System

Modulverantwortliche(r):

Dipl. Ing. Anabel Derlam

Bezüge zu anderen Programmen:

  • Bachelor Wirtschaftsingenieurswesen Industrie 4.0
  • Bachelor Wirtschaftsinformatik

Bezüge zu anderen Modulen im Programm :

  • Business Intelligence
  • Datenbankmodellierung und Datenbanksysteme
  • Digitale Businessmodelle

Qualifikations- und Lernziele des Moduls :

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

  • selbständig eine Lösung zu einer praktischen Fragestellung im Thema Business Intelligence zu konzipieren, prototypisch umzusetzen und die dabei erzielten Ergebnisse zu dokumentieren.
  • typische Probleme und Herausforderungen in der Konzeption und praktischen Umsetzung kleiner BI-Lösungen zu benennen und zu erläutern.

Qualifikations- und Lernziele des Moduls :

Mögliche Themengebiete für das BI-Projekt sind u.a. „Management von BI-Projekten, „Konzeption von multidimensionalen Datenmodellen“ sowie „Prototypische Umsetzung von kleinen BI-Anwendungen“

Eine aktuelle Themenliste befindet sich im Learning Management System.

Lehrmethoden:

Literatur:

Siehe Literaturliste der vorliegenden Kursbeschreibung

Anteil der Modulnote an der Gesamtabschlussnote des Programms: :

5 ECTS von 180 ECTS = 2.78%

Prüfungszulassungsvoraussetzung :

Abschlussprüfungen:

Siehe Kursbeschreibung

IWBI02
Schriftliche Ausarbeitung: Projektbericht (100%)

Kursnummer:

IWBI02

Kursname:

Projekt Business Intelligence

Gesamtstunden :

150 h

ECTS Punkte:

5 ECTS

Kurstyp : Wahlpflicht

Kursangebot : WS, SS

Kursdauer :

Zugangsvoraussetzungen:

IWBI01

Kurskoordinator(en) / Dozenten / Lektoren :

Siehe aktuelle Liste im Learning Management System

Bezüge zu anderen Modulen:

Siehe Modulbeschreibung

Beschreibung des Kurses:

Unter Anwendung bekannter Methoden und Techniken aus dem Themengebiet Business Intelligence bearbeiten die Studierenden in diesem Kurs selbstständig eine praktische Fragestellung.

Zum Abschluss des Kurses können Sie selbstständig auf der Grundlage konkreter Anforderungen Business Intelligence-Anwendungen konzipieren und prototypisch umsetzen.

Kursziele:

Nach erfolgreichem Abschluss des Kurses sind die Studierenden in der Lage,

  • selbständig eine Lösung zu einer praktischen Fragestellung im Thema Business Intelligence zu konzipieren, prototypisch umzusetzen und die dabei erzielten Ergebnisse zu dokumentieren.
  • typische Probleme und Herausforderungen in der Konzeption und praktischen Umsetzung kleiner BI-Lösungen zu benennen und zu erläutern.

Lehrmethoden:

Die Lehrmaterialien enthalten Leitfäden, Video-Präsentationen, (Online-)Tutorien, und Foren. Sie sind so strukturiert, dass Studierende sie in freier Ortswahl und zeitlich unabhängig bearbeiten können.

Inhalte des Kurses:

Umsetzung und Dokumentation von praktischen Fragestellungen zum Einsatz von Business Intelligence-Anwendungen. Typische Szenarien sind beispielsweise „Management von BI-Projekten“, „Konzeption von multidimensionalen Datenmodellen“ und „Prototypische Umsetzung von kleinen BI-Anwendungen“.

Literatur:

  • Bachmann, R./Kemper, G. (2011): Raus aus der BI-Falle. Wie Business Intelligence zum Erfolg wird. 2. Auflage, mitp, Heidelberg. ISBN 978-3-826691065.
  • Bauer, A./Günzel, H. (2008): Data Warehouse Systeme. Architektur, Entwicklung, Anwendung. 3. Auflage, dpunkt Verlag, Heidelberg. ISBN 978-3-898645409.
  • Betz, R. (2015): Werde Jäger des verlorenen Schatzes. In: Immobilienwirtschaft, Heft 5, Freiburg, ISSN 1614-1164. (Datenbank: WISOnet).
  • Bodendorf, F. (2006): Daten- und Wissensmanagement. 2. Auflage, Springer Verlag, Berlin. ISBN 978-3-540287438.
  • Chamoni, P./Gluchowski, P. (2006): Analytische Informationssysteme Business Intelligen- ce-Technologien und -Anwendungen. Springer Verlag, Berlin. ISBN 978-3-540292869.
  • Engels, C. (2008): Basiswissen Business Intelligence. W3L, Herdecke/Witten. ISBN 978-3-937137377.
  • Gansor, T./Totok, A./Stock, S. (2010): Von der Strategie zum Business Intelligence Competency Center(BICC). Konzeption – Betrieb – Praxis. Carl Hanser Verlag, München. ISBN 978-3-446421332.
  • Gluchowski, P./Gabriel, R./Dittmar, C. (2008): Management Support Systeme und Business Intelligence. Computergestützte Informationssysteme für Fach- und Führungskräfte. 2. Auflage, Springer Verlag, Berlin, Heidelberg. ISBN 978-3-540235439.
  • Grothe, M. (2000): Business Intelligence. Aus Informationen Wettbewerbsvorteile gewinnen. Addison-Wesley, München. ISBN 978-3-827315915.
  • Gutenberg, E. (1983): Grundlagen der Betriebswirtschaft. Band 1: Die Produktion. 18. Auflage, Springer Verlag, Berlin, Heidelberg. ISBN 978-3-540056942.
  • Hannig, U. (2002): Knowledge Management und Business Intelligence. Springer Verlag, Berlin. ISBN 978-3-540428046.
  • Hansen, H.-R./Neumann, G. (2001): Wirtschaftsinformatik I. Grundlagen betrieblicher Informationsverarbeitung. 8. Auflage, Lucius und Lucius Verlagsgesellschaft, Stuttgart. ISBN 978-3-825208028.
  • Humm, B./Wietek, F. (2005): Architektur von Data Warehouses und Business Intelligence Systemen. In: Informatik Spektrum, 23.02.2005, Heidelberg, S. 3–14.
  • Kemper, H.-G./Baars, H./Mehanna, W. (2010): Business Intelligence – Grundlagen und praktische Anwendungen. Eine Einführung in die IT-basierte Managementunterstützung. 3. Auflage, Vieweg + Teubner, Stuttgart. ISBN 978-3-834807199.
  • Turban, E. et al. (2010): Business Intelligence. A Managerial Approach. 2. Auflage. Prentice Hall, Upper Saddle River, NJ. ISBN 978-0-136100669.

Prüfungsleistungen:

Schriftliche Ausarbeitung: Projektbericht

Zeitaufwand Studierenden (in Std.): 150

Selbststudium (in Std.): 120
Selbstüberprüfung (in Std.): 0
Tutorien (in Std.): 30