Learning Outcomes
(WAS) Am Ende des Moduls können die Studierenden der Informatikstudiengänge
- Interdisziplinäre und datengetriebene Projekte planen und durchführen,
- konkrete Daten erheben und diese effektiv mit Hilfe von Python aufbereiten (bereinigen, anreichern, harmonisieren),
- die aufbereiteten Daten sinnvoll mit Hilfe deskriptiver Statistik und Inferenzstatistik analysieren.
- Handlungsempfehlungen auf Grundlage der analysierten Daten ableiten und diese fundiert begründen,
- sowie die gewonnenen Erkenntnisse in einer entscheidungsorientierten Form präsentieren, die für die relevanten Stakeholder verständlich und nützlich ist. (WOMIT) (WOZU)
Inhalt
In vielen Unternehmen gelten Controller:innen nach wie vor als die Expert:innen im Umgang mit Zahlen sowie Daten. Eine ihrer wesentlichen Aufgaben besteht darin, aus diesen Daten Handlungsempfehlungen abzuleiten. Allerdings erwerben Informatiker:innen eine deutlich umfassendere Expertise in der automatisierten Datenverarbeitung. Angesichts der stetig wachsenden Datenmengen in Unternehmen wird diese Kompetenz immer bedeutender. Während das Handwerkszeug der Controller:innen im Umgang mit großen Datenmengen gelegentlich an seine Grenzen stößt, fehlen den Informatiker:innen mitunter die betriebswirtschaftlichen Kompetenzen, um die wirklich essentiellen Erkenntnisse aus den Daten zu gewinnen. Es ist zukünftig davon auszugehen, dass beide über entscheidende Fähigkeiten verfügen und gemeinsam die wertvollsten Erkenntnisse aus den Daten ziehen können.
Dieses Modul hat daher zum Ziel, dass Studierende der Betriebswirtschaftslehre mit Schwerpunkt „Management und Controlling“ und Studierende der Informatik (Allgemeine Informatik, Wirtschaftsinformatik, Medieninformation sowie IT-Management) zusammenkommen, um zusammen ein datengetriebenes Projekt zu bearbeiten. Hierfür sollen für einen bestimmten Use Case eines Unternehmens spezifische Daten gemeinsam identifiziert und erhoben werden. Darauf basierend sollen die Daten zielgerichtet mit Python exploriert, bereinigt und analysiert werden, um daraus wiederrum gemeinsam Handlungsempfehlungen abzuleiten. Diese Erkenntnisse sollen schlussendlich optimal für die Entscheidungsträger aufbereitet werden.
Literatur
- Jordan Morrow: “Be Data Literate - The Data Literacy Skills Everyone Needs to Succeed”, 2021.
- Angelika Klidas, Kevin Hanegan: “Data Literacy in Practice - A Complete Guide to Data Literacy and Making Smarter Decisions with Data Through Intelligent Actions”, 2022.
- Wes McKinney: „Datenanalyse mit Python“, 2023
- Peter Bruce, Andrew Bruce, Peter Gedeck: „Practical Statistics for Data Scientists - 50+ Essential Concepts Using R and Python“, 2020.
- Danyel Fisher, Miriah Meyer: “Making Data Visual - A Practical Guide to Using Visualization for Insight”, 2
- Tamara Munzner: “Visualization Analysis and Design”, 2014.