Daten sind das neue Öl! Daten sind eine neue Asset-Klasse! Solche und ähnliche Aussagen sind heute allgegenwärtig und sollen das grosse wirtschaftliche Potenzial von Data Science und künstlicher Intelligenz veranschaulichen. "Smarte" Produkte und Dienstleistungen sind bereits heute allgegenwärtig und werden in Zukunft eine immer grössere Rolle in unserem Privat- und Arbeitsleben spielen. So galten beispielsweise selbstfahrende Autos vor 10 Jahren noch als technische Utopie; heute wartet man auf die flächendeckende Markteinführung. Übergeordnetes Ziel des Kurses ist es, Studierende in die Lage zu versetzen, mittels Big Data, Data Science, Machine Learning & Co betriebswirtschaftliche Probleme lösen zu können. Dafür verfolgt der Kurs ein Fallstudien-orientiertes Kursdesign. In jeder Fallstudie wird auf Basis einer konkreten betriebswirtschaftlichen Problemstellung eine prototypische Anwendung entwickelt, um z.B. die finanzielle Performance, operative Effizienz oder die Effektivität von betriebswirtschaftlichen Massnahmen zu verbessern. Im Rahmen der Fallstudien werden eine Vielzahl von unterschiedlichen Algorithmen und Analyse-Ansätzen besprochen und eingeübt. Die Fallstudien stammen dabei in der Regel aus dem Kontext von führenden Internet- und Technologie-Unternehmen, wie z.B. Facebook, Linkedin, Netflix, Orange oder Zalando. Diese Fallbeispiele umfassen dabei u.a. die Vorhersage von Weinqualität, Vorhersage von zukünftigen Kundenverhalten, das Erstellen von Kaufempfehlungen oder die automatisierte Identifikation von Fake News. Studierende lernen dabei den Umgang mit grossen unstrukturierten Datenmengen.

Daten sind das neue Öl! Künstliche Intelligenz ist der Produktionsfaktor der Zukunft! Diese und ähnliche Aussagen sind heute allgegenwärtig und sollen das grosse wirtschaftliche Potenzial von Big Data, Business Analytics, Data Science und künstlicher Intelligenz veranschaulichen. Als Konsequenz investieren mehr und mehr Unternehmen in die systematische Entwicklung von Datenprodukten - Lösungen und Tools, die es Unternehmen erlauben, ihre Geschäftsprozesse zu automatisieren, ihre Entscheidungen zu verbessern oder neue Geschäftsmodelle zu entwickeln. Für viele Unternehmen ist es jedoch eine grosse Herausforderung, tragfähige Datenprodukte zu entwickeln und zu validieren. Gleichzeitig werden Fachkräfte gesucht, die hierfür die notwendigen Kompetenzen mitbringen. In dem Forschungs‑Praxis‑Venture sollen Studierende in Zusammenarbeit mit Praxispartnern auf Basis einer realen Problemstellung einen Use Case für ein Datenprodukt entwickeln sowie diesen prototypisch umsetzen und validieren. Dabei erlernen Sie einen systematischen Ansatz, der Verfahren aus dem Technologie‑ und Innovationsmanagement (z.B. aus Lead User‑Forschung), aus der Geschäftsmodell‑Entwicklung (z.B. Lean Start‑Up‑Ansatz) sowie aus dem User‑Centered‑Design (z.B. Entwicklung von Use Cases und Personas) kombiniert. Der Schwerpunk der im FS 2023 zu bearbeitenden Themen wird sich voraussichtlich um Voice- and Chatbots drehen.

In jeder Minute eines Tages werden im Internet mehr als 400'000 Stunden Netflix-Content gestreamt, 4,5 Millionen Suchanfragen bei Google gestellt und mehr als 200 Millionen Emails versendet. Parallel erlauben die zunehmende Digitalisierung und die damit einhergehende Verbreitung von immer kostengünstigeren Sensoren und immer leistungsfähigerer Hardware, das Entstehen von neuen Datenquellen, die systematisch in unterschiedlichste, betriebliche Wertschöpfungsprozesse eingebunden werden können. Vor diesem Hintergrund erlauben Big Data und Data Science die systematische Nutzung dieser Daten, um bessere Entscheidungen zu treffen und "smarte" Produkte und Dienstleistungen zu entwickeln. Diese sind bereits heute allgegenwertig und werden in Zukunft eine immer grössere Rolle in unseren Privat- und Arbeitsleben spielen. So galten beispielsweise selbstfahrende Autos vor 10 Jahren noch als technische Utopie; heute wartet man auf die flächendeckende Markteinführung. Big Data, Data Science und künstliche Intelligenz gelten als Produktionsfaktor der Zukunft, während es gleichzeitig an Fachleuten fehlt, die Unternehmen helfen können diese Potenziale nutzbar zu machen. Übergeordnetes Ziel des Kurses ist es, Studierende mit den Grundlagen von Big Data und Data Science vertraut zu machen und Sie in die Lage zu versetzen, diese Ansätze auf betriebswirtschaftliche Probleme anzuwenden. Studierende verstehen die Potenziale und Herausforderungen von Big Data und Data Science und angrenzenden Feldern wie Machine Learning und künstlicher Intelligenz. Im Kurs wird ein Überblick über die wesentlichen Konzepte, Technologien und Werkzeuge vermittelt und ausgewählte Analyseverfahren und ‑werkzeuge im Detail vorgestellt. Diese werden von Studierenden auf reale Fallbeispiele von führenden Online‑Unternehmen, wie z.B. Facebook, Linkedin, Netflix, Orange, Zalando oder AirBnb angewendet, so dass diese im Anschluss selbstständig eingesetzt werden können. Diese Fallbeispiele umfassen dabei u.a. die Vorhersage von Weinqualität, die Vorhersage von zukünftigen Kundenverhalten, das Erstellen von Kaufempfehlungen oder die automatisierte Identifikation von Fake News. Im Rahmen des Kurses werden die technischen Grundlagen vermittelt sowie der Umgang mit zentralen "Analytics‑Tools" eingeübt (z.B. R bzw. Python und Tableau). Studierende lernen dabei den Umgang mit grossen unstrukturierten Datenmengen. Wertversprechen des Kurses Nach Besuch des Kurses sind Studierende in der Lage betriebswirtschaftliche Problemstellungen mittels datenanalytischen Methoden und Prinzipien zu lösen. Dafür fusst der Kurs auf drei zentralen Säulen: Einführung in zentrale Konzepte und Methoden aus den Feldern Big Data, Data Science, Machine Learning und Künstliche Intelligenz; Das Lösen echter betriebswirtschaftlicher Probleme mit realen Datensätzen; Implementierung lauffähiger Prototypen mittels State‑of‑the‑Art‑Tools.

Every minute of a day, more than 2.5 million messages are posted on Facebook, 4.5 million search queries are made on Google and more than 185 million emails are sent. The increasing digitization allows us to create, aggregate, and analyze large amounts of data that can be systematically integrated into a wide range of organizational value creation processes. Against this backdrop, business analytics allows for the systematic leveraging this data in order to make better, faster, and potentially automated decisions and to develop data-driven innovations. The overall goal of the course is to improve the data literacy of students in order to help them excel in a data-driven world. The course will familiarize students with the basics of business analytics, data science and applied machine learning to enable them to apply these approaches to business-related problems. The course introduces the main concepts and technologies and introduces selected analysis methods and tools in detail. These will be applied by students to real world case studies of leading online companies, such as Facebook, Linkedin, Netflix, Orange, Zalando or AirBnb. Among others, these case studies include the prediction of product demand and future customer behavior, the creation of recommendations, or the automated identification of fake news. For reaching this value proposition, the course is based on three central pillars: Introduction to central concepts and methods from the fields of business analytics, data science, and applied machine learning Solving real-world business problems with real-world data sets Implementation of prototypical solutions using Python or other related tools.

Der Doktorandenkurs vertieft ausgewählte, aktuelle Schwerpunkte der Wirtschaftsinformatik-Forschung bzw. des eigenen Dissertationsvorhabens. Ziel der Veranstaltung ist es, dass die Doktorierenden ein Dokument erarbeiten und diskutieren, welches direkten Bezug zur Dissertation hat und dem Lebenszyklus ihres Doktorats entspricht. Eine entsprechende Übersicht über zu wählende Formate gibt es in einem Kick-off-Termin (siehe Veranstaltungs-Zusatzinformationen). Eine Einteilung in die einzelnen Formate erfolgt im Anschluss. 

Der Doktorandenkurs vertieft ausgewählte, aktuelle Schwerpunkte der Wirtschaftsinformatik-Forschung bzw. des eigenen Dissertationsvorhabens. Ziel der Veranstaltung ist es, dass die Doktorierenden ein Dokument erarbeiten und diskutieren, welches direkten Bezug zur Dissertation hat und dem Lebenszyklus ihres Doktorats entspricht. Eine entsprechende Übersicht über zu wählende Formate gibt es in einem Kick-off-Termin (siehe Veranstaltungs-Zusatzinformationen). Eine Einteilung in die einzelnen Formate erfolgt im Anschluss.