Vorlesen

SBWL Data Science

SBWL „Data Science“

Daten und deren wach­sende wirt­schaft­liche Bedeu­tung in der Betriebs­wirt­schaft  im Sinne von effi­zi­enter Verar­bei­tung und Analyse immer größerer Daten­mengen sind ein Forschungs­ge­biet, dass in der Wissen­schaft und der Wirt­schaft unter dem Label „Data Science“ immer mehr Beach­tung findet (siehe dazu auch den Artikel im  WU-Ma­gazin [1] und im Journal der öster­rei­chi­schen Computer Gesell­schaft (OCG).[2])

Mit der neuen SBWL setzt die WU hier mit einer inter­dis­zi­pli­nären, Depart­ment­-­überg­rei­fenden Heran­ge­hens­weise neue Akzente.

Dem Trend der wach­senden Bedeu­tung von Data Science wird inner­halb der WU bereits in der Forschung von mehreren Depart­ments Rech­nung getragen. Betei­ligt an der geplanten SBWL sind

  • Depart­ment of Infor­ma­tion Systems & Opera­tions (Insti­tute for Infor­ma­tion Busi­ness - Prof. Polleres, Prof. Mend­ling, Insti­tute for Infor­ma­tion Systems and New Media- Prof. Neumann, Insti­tute for Produc­tion Manage­ment - Prof. Mild)

  • Depart­ment of Finance, Accoun­ting and Statis­tics (Insti­tute for Statis­tics and Mathe­ma­tics - Prof. Früh­w­ir­t­h-­Schnatter, Prof. Hornik, Ass. Prof. Hoch­reiter

  • Depart­ment für Marke­ting (Insti­tute for Inter­ac­tive Marke­ting & Social Media  - Prof. Abou Nabout, Insti­tute for Service Marke­ting and Tourism - Prof. Reut­terer)

  • Depart­ment für Unter­neh­mens­recht, Arbeits- und Sozi­al­recht (Abtei­lung für Infor­ma­ti­ons­recht und Imma­te­ri­al­gü­ter­recht - Prof. Winner, Ass. Prof. Clemens Appl)

Aufbau & Kurse

Die SBWL wird inter­dis­zi­plinär die Grund­lagen von Data Science vermit­teln und die Studie­renden inner­halb prak­ti­scher Projekt­ar­beiten mit neuar­tigen Anwen­dungs­fällen der Daten­ver­ar­bei­tung und -ana­lyse vertraut machen. Dies wird durch einer­seits die Vermitt­lung von infor­ma­ti­ons­ver­ar­bei­tungs­-­spe­zi­fi­schen (1LV), statis­ti­sch-ana­ly­ti­schen (1LV) und recht­li­chen (1LV) Grund­lagen, als auch ande­rer­seits durch die Vermitt­lung von end-­to-end Lösungen daten­ori­en­tierter Frage­stel­lungen in betriebs­wirt­schaft­li­chen Anwen­dungs­do­mänen wie Marke­ting und Supply Chain Manage­ment (1LV), sowie in einer abschlie­ßenden Grup­pen­-­Pro­jekt­ar­beit (sog. Data Science Lab) erreicht (1LV).

Da der wach­sende Austausch und die Verbrei­tung von Daten in einem globalen Kontext erfolgen, wird Englisch als default Unter­richts­sprache ange­dacht (weshalb auch die Titel der LVs auf Englisch gehalten sind).

SBWL1: Data Proces­sing 1 (PI 2.0)

  • Daten­for­mate und -stan­dards

  • Daten­bank­sys­teme und Daten-­Spei­che­rung

  • Data Clean­sing: Methoden zur Daten­be­rei­ni­gung & Daten­qua­lität

  • Tools und Algo­rithmen zur Daten­um­wand­lung

Lern­ziel: Grund­sätz­li­ches Verständnis im Umgang mit verschie­denen Daten­for­maten und Methoden und Tools erlangen, um Daten von verschie­denen Quellen zu inte­grieren.

SBWL2: Data Analy­tics (PI 2.0)

  •  Wieder­ho­lung mathe­ma­ti­scher & statis­ti­sche Grund­lagen

  • Algo­rithmen zur Daten­ana­lyse und Data Mining

  • Tools zur Daten­ana­lyse (R)

  • Visua­li­sie­rung von Daten­ana­lysen

Lern­ziel: Daten­ana­ly­se­ver­fahren sowie deren Grund­lagen anwenden und algo­rith­misch verstehen, Tools zur Auswer­tung und Visua­li­sie­rung anwenden können.

SBWL3: Data Proces­sing 2: Skalier­bare Daten­ver­ar­bei­tung, Legal & Ethical Foun­da­tions of Data Science (PI 2.0)

  • Scalable Data Proces­sing Frame­works and Para­digms (e.g. Hadoop, Map Reduce, und andere skalier­bare, verteilte Daten­ver­ar­bei­tungs­mo­delle)

  • Öffent­lich verfüg­bare Daten vs. Open Data

  • Umgang mit verschie­denen Lizenzen

  • Recht­liche Rahmen­be­din­gungen (Daten­schutz­ge­setz, Infor­ma­ti­ons­frei­heits­ge­setz)

  • Ethik

Lern­ziel:

Skalier­barer Umgang mit großen Daten­mengen, sowie recht­liche Grund­lagen und ethi­sche Rahmen­be­din­gungen im Umgang mit Daten verstehen und Konse­quenzen im inter­na­tio­nalen Kontext.

SBWL4: Appli­ca­tions of Data Science (PI 2.0)

Anwen­dungs­bei­spiele und spezi­elle Algo­rithmen aus konkreten Anwen­dungs­do­mänen. z.B.

  • Data Science im Marke­ting (Data­-d­riven Adver­ti­sing, Digital Marke­ting und Social Media), inkl. spezi­eller Methoden der Analyse wie soziale Netz­werkana­lyse und neuer Tech­no­lo­gien im Bereich Marke­ting wie Real-­time Bidding, Store Trek - 3D Shop­ping, Second Screen, Wearable Devices und Smart Mete­ring)

  • Data Science im Supply Chain Manage­ment (Demand Plan­ning & Fore­cas­ting, Nach­fra­ge­mo­del­lie­rung, Inven­tory Manage­ment, Revenue Manage­ment)

  • Data Science im Process Manage­ment (Grund­lagen der Prozess­ana­lyse, Ereig­nis­daten Auto­matic Process Disco­very
    Process Confor­mance Analysis)

Lern­ziel: Anwen­dungs­ge­biete und spezi­elle Algo­rithmen und Methoden der Daten­ana­lyse und skalier­baren Verar­bei­tung in bestimmten Anwen­dungs­ge­bieten der Betriebs­wirt­schaft kennen­lernen, Verbin­dungen zu anderen SBWLs herstellen

SBWL5: Data Science Lab (PI 2.0)

Die abschlie­ßende LV wird in Grup­pen­pro­jekten abge­wi­ckelt, die in einem gemein­samen Work­shop von Data Coaches (Mitglieder der betei­ligten Insti­tute sowie Indus­trie­partner) vorge­stellt und dann von den Gruppen über den Kurs in regel­mä­ßigen Inter­ak­tionen mit den Data Coaches abge­wi­ckelt werden. Ziel des abschlie­ßenden Kurses ist es prak­ti­sche Problem­stel­lungen fron­t-­to-end inner­halb eines gemein­sames Projekts zu bear­beiten. Die Data Coaches stellen Daten­sätze aus der Praxis (aus betrieb­li­chen Anwen­dungen oder aus dem Open Data Bereich) und Tools zur Verfü­gung. Mit mehreren Firmen, etwa im Rahmen der Inter­ne­t-Of­fen­sive (siehe Begleit­brief) wurde dies­be­züglich bereits Kontakt aufge­nommen. Die Koor­di­na­tion wird in 2 paral­lelen LVs durch je einen Koor­di­nator abge­deckt, welcher jeweils 4-5 Gruppen zu 3-4 Studie­renden betreuen kann. Der Ablauf der LV sieht folgende Schritte und Leis­tungs­nach­weise vor:

  • Kick­of­f-Work­shop: Themen­vor­stel­lung und –Börse durch Data­-­Coa­ches von Unter­nehmen, sowie Grup­pen­ein­tei­lung

  • Studie­rende reichen eine Problem­de­fi­ni­tion des vorge­schla­genen Use Case mit Beschrei­bung der eigenen Rolle in der Gruppe ein (pass/fail)

  • Zwischen­prä­s­en­ta­tion der Gruppen (benotet 1-5)

  • Abschluss­be­richt der Gruppen, mit jeweils indi­vi­du­eller Darstel­lung der Einzel­leis­tungen der Grup­pen­mit­glieder (benotet 1-5)

Zugangs­be­din­gungen:


Zur Aufnahme in die SBWL werden die Bereit­schaft, sich „hand­s-on“ und unter Zuhil­fe­nahme von Algo­rithmen mit Daten zur Lösung von betriebs­wirt­schaft­li­chen Problemen ausein­an­der­zu­setzen, voraus­ge­setzt. Diese Voraus­set­zung wird entweder durch die vorhe­rige Absol­vie­rung entspre­chender LVs (Daten­bank­sys­teme, Grund­züge der Program­mie­rung, Statis­ti­k-Ein­füh­rung) oder Absol­vie­rung eines entspre­chenden Eingangs­tests über­prüft, welcher mit einem einfüh­r­enden Tuto­rium gekop­pelt ist, entspre­chend der neuen Prüfungs­ord­nung.

Detail­lierte Infor­ma­tionen zum Einstiegs­tu­to­rium und das für den Einstiegs­test rele­vante Mate­rial finden Sie im VVZ unter "Einstieg in die SBWL: Data Science". Es gelten die glei­chen Krite­rien wie im WS 16/17.

Bitte beachten Sie, dass eine Anmel­dung zu den Kursen dieser SBWL nur für Studie­rende möglich ist, die erfolg­reich die Einstiegs-AG abge­schlossen haben (Einstieg in die SBWL: Data Science). Mitbe­leger können nicht aufge­nommen werden.

GREEN­CARD

Students who achieved a grade of "Sehr Gut (1)" in two out of the follo­wing courses

  • Grund­züge der Program­mie­rung

  • Daten­bank­sys­teme

  • Einfüh­rung in die Statistik

are auto­ma­ti­cally quali­fied for the SBWL, but should never­the­less complete the entry exam, since it will serve as the first partial assess­ment for the SBWL course "Data Proces­sing 1".

ATTEN­TION: Students who want to make use of this "Green­car­d-­Op­tion" should send a confir­ma­tion (Sammel­zeugnis) of the nessesary grades in advance to back­of­fice@ai.wu.ac.at with the subject­line "Green­card SBWL Data Science".

Weitere Infor­ma­tionen

[1] http://www.wu.ac.at/fileadmin/wu/h/press/Pres­se2015/wuma­ga­zin0314.pdf S. 3ff.

[2] http://www.ocg.at/sites/ocg.at/files/medien/pdfs/OCG-Jour­nal1503.pdf#13 S.13ff.