Business Analytics: Technologien, Methoden und Konzepte

Business analytics: Technologies, methods, and concepts

Business analytics as a discipline makes use of a variety of methodological and technological approaches for the analytical evaluation of company-relevant data from different source systems in order to gain insights into past, present and future business activities. Of interest are, for example, aggregated or filtered insights about the company’s performance or the uncovering of previously unknown correlations, trends and patterns in order to generate new knowledge and improve the company’s decisions. For this purpose, the approach makes use of different methods of diverse origin, such as from the fields of statistics, data mining, and artificial intelligence.

The practice-oriented course introduces the basics of the topic and provides an overview of relevant concepts, methods and technologies. Here, the focus is particularly on the subarea of predictive analytics and the approaches of (supervised) machine learning for the creation of predictive models. Using a typical pipeline for data business analytics projects, the basic steps and principles of predictive modeling are illustrated and supported with example approaches (e.g., model training using deep neural networks). The course consists of a lecture to convey conceptual content and an accompanying computer-based exercise in which selected aspects are deepened and implemented using the Python programming language.

• kennen die Anwendungsfelder von Business Analytics und können grundlegende Technologien, Methoden und Konzepte einordnen,

• können Grundbegriffe des Predictive Modeling und des (überwachten) maschinellen Lernens nennen,
• sind in der Lage, die grundlegenden Schritte zum Aufbau eines Domänen- und Datenverständnisses, zur Exploration und Vorverarbeitung von Daten sowie zur Entwicklung und Evaluation von prädiktiven Modellen anhand eines systematischen Vorgehens zu erklären,
• beherrschen die grundlegenden Verfahren und Prinzipien des Predictive Modeling und können diese auf verschiedene Praxisbeispiele anwenden und die Ergebnisse evaluieren, interpretieren und kritisch hinterfragen,
• sind in der Lage, Ansätze der Datenanalyse und des maschinellen Lernens zur Entwicklung von prädiktiven Modellen in Python zu implementieren.

Die Teilnehmerzahl ist begrenzt und erfordert eine Anmeldung über StudOn. Der Anmeldezeitraum erstreckt sich vom 11. März bis 24. April 2023. Wenn Sie sich bis zum 10. April anmelden, haben Sie eine höhere Chance auf eine Teilnahme mit vorzeitiger Anmeldebestätigung. Im Falle einer erhöhten Kursnachfrage werden die Teilnehmenden ausgelost.