MAMS-120 P420-0019 msm2 4 VU 6 1 ja Deutsch Klausur (120 Minuten / Wiederholung semesterweise) MAMS-120 Marketing Science 1 Pflichtfach Die Präsenzzeit dieses Moduls umfasst bei 15 Semesterwochen 60 Veranstaltungsstunden (= 45 Zeitstunden). Der Gesamtaufwand des Moduls beträgt bei 6 Creditpoints 180 Stunden (30 Stunden/ECTS Punkt). Daher stehen für die Vor- und Nachbereitung der Veranstaltung zusammen mit der Prüfungsvorbereitung 135 Stunden zur Verfügung. Prof. Dr. Stefan Selle sse Prof. Dr. Christian Liebig cli Prof. Dr. Stefan Selle sse Dozierende des Studiengangs all Nico Krivograd, M.Sc. nkv [1] Strategische Marktanalyse Die Studierenden sollen durch die erfolgreiche Beendigung dieses Moduls in der Lage sein, - den aktuelle Stand in Wissenschaft und Praxis der strategischen Marktanalyse als Schnittstelle zwischen den Disziplinen des Marketings und des strategischen Managements auf internationaler Ebene zu kennen, Strömungen aufzuzeigen und neue Ansätze fortzuschreiben - Einen Werkzeugkasten zur qualitativen und quantitativen Analyse von Daten über Marktteilnehmer (inbes. Zielgruppen, Kunden, Wettbewerber) aus primären und sekundären Quellen auf konkrete Fallbeispiele im Kontext des strategischen Managements von Unternehmen mit internationaler Reichweite anwenden können - in Kleingruppenarbeit Fragestellungen der strategischen Marktanalyse zu strukturieren, Daten zu analysieren, und daraus abgeleitete Empfehlungen zu argumentieren [2] Big Data / Data Science Studierende sind nach erfolgreichem Absolvieren dieses Moduls in der Lage, geeignete Verfahren der Datenanalyse einzusetzen, um Erkenntnisse zur Entscheidungsfindung bei praktischen Fragestellungen zu gewinnen. Sie erlangen grundlegende Kenntnisse über verschiedene Typen des maschinellen Lernens: Nicht-überwachtes Lernen (Unsupervised Learning), Überwachtes Lernen (Supervised Learning), Bestärkendes Lernen (Reinforcement Learning). Die Studierenden können die Methodik Cross Industry Standard Process for Data Mining (CRISP-DM) anwenden, um Datenanalysen strukturiert und systematisch durchzuführen. Sie kennen verschiedene Merkmalsarten (z.B. nominal, ordinal, metrisch) und können gegebene Daten geeignet vorverarbeiten (z.B. durch One Hot Encoding, Normalisierung oder Standardisierung). Für eine gegebene Fragestellung erkennen sie, welche Art von Verfahren (z.B. Regression oder Klassifikation im Bereich des Überwachten Lernens) zur Entscheidungsfindung geeignet ist. Die Studierenden können die erlernten Verfahren mit einem geeigneten Werkzeug (z.B. KNIME Analytics Platform) umsetzen, dabei Parameterstudien durchführen und die dabei erzielten Resultate anhand von definierten Gütekriterien kritisch beurteilen. Ihre aus den Daten gewonnen Erkenntnisse können die Studierenden geeignet aufbereiten (z.B. in Form einer Visualisierung) und dokumentieren (z.B. Projektbericht, Projekttagebuch), um sie schließlich einem ausgewählten Publikum (z.B. Entscheidungsträger im Unternehmen) verständlich zu präsentieren. [1] Strategische Marktanalyse - Identifikation und Wirkgefüge der Schnittstelle zwischen strategischem Management und Marketing - Status Quo und Herausforderungen des marktorientierten, strategischen Managements entlang dessen Prozessmodells und Common Practice der Strategieberatung im Kontext neuer Geschäftsmodelle - Branchenübergreifende und –spezifische Methoden zur datengetriebenen Steuerung von Unternehmen (Konzepte und Fallstudien) - Vertiefung aktueller Themen der marktorientierte Unternehmensführung bspw. aus den Bereichen: Internationale Markteintrittsstrategie, Konfiguration und Koordination der Marktbearbeitungsaktivitäten, Ansätze und Methodik der internationalen Marktsegmentierung [2] Big Data / Data Science 1. Einführung 2. Grundlagen 3. Datenanalyseprozess 4. Datenvorverarbeitung 5. Assoziationsanalyse 6. Clusteranalyse 7. Klassifikation 8. Regression 9. Ensemble Learning 10. Künstliche Neuronale Netzwerke Inverted / Flipped Classroom durch E-Learning-Unterstützung (z.B. LMS Moodle): Speziell aufbereitete Unterlagen (z.B. Skript) / Medien (z.B. Videos) zum Selbststudium zu Fach- und Methodenwissen. Laborpraktikum mit Übungen: Selbstständiges Arbeiten am PC zur Lösung konkreter Aufgabenstellungen mit betriebswirtschaftlichem Bezug durch Anwendung gelernter Methoden mit Hilfe geeigneter Werkzeuge (z.B. KNIME Analytics Platform). [1] Strategische Marktanalyse - Evans, J.R.: Business Analytics, Global Edition. 2nd edition. Pearson, 2016. - Sharda, R., Delen, D., Turban, E.: Business Intelligence and Analytics. Pearson, 2014. - Sharda, R., Delen, D., Turban, E.: Business Intelligence : A Managerial Perspective on Analytics. Pearson, 2014. - Maisel, L., Cokins, G.: Predictive Business Analytics: Forward Looking Capabilities to Improve Business Performance. Wiley, 2014. - Siegel, E.: Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die. John Wiley & Sons, Hoboken, 2013. - Hauser, W.J.: Marketing analytics: the evolution of marketing research in the twenty‐first century. In: Direct Marketing: An International Journal, Vol. 1 Iss: 1, pp.38 – 54, 2007. http://dx.doi.org/10.1108/17505930710734125 - Sorger, S.: Marketing Analytics: Strategic Models and Metrics. CreateSpace Independent Publishing Platform, 2013. - Stähle, W., Conrad, P., Sydow, J.: Management: Eine verhaltenswissenschaftliche Perspektive, 9. Auflage, 2016. - Venkatesan, R; Farris, P.; Wilcox, R. T.: Cutting Edge Marketing Analytics: Real World Cases and Data Sets for Hands On Learning. Pearson FT Press, Upper Saddle River, 2014. [2] Big Data / Data Science Udo Bankhofer und Jürgen Vogel: Datenanalyse und Statistik – Eine Einführung für Ökonomen im Bachelor, Gabler Springer Verlag, Wiesbaden, 2008. Michael R. Berthold, Christian Borgelt, Frank Höppner, Frank Klawonn, Rosario Silipo: Guide to Intelligent Data Science – How to Intelligently Make Use of Real Data, 2nd edition, Springer, Berlin, 2020. Uwe Haneke, Stephan Trahasch, Michael Zimmer, Carsten Felden: Data Science – Grundlagen, Architekturen und Anwendungen, dpunkt Verlag, Heidelberg, 2019. Annalyn Ng und Kenneth Soo: Data Science – Was ist das eigentlich?! – Algorithmen des maschinellen Lernens verständlich erklärt, Springer Verlag, Berlin, 2018. Forster Provost & Tom Fawcett: Data Science for Business. What you need to know about Data Mining and Data-Analytic Thinking, O’Reilly Verlag, Sebastopol, 2013. Thomas A. Runkler: Data Mining – Methoden und Algorithmen intelligenter Datenanalyse, Vieweg+Teubner Verlag, Wiesbaden, 2010. Ian H. Witten, Eibe Frank, Mark A. Hall, Christopher J. Pal: Data Mining – Practical Machine Learning Tools and Techniques, 4th edition, Morgan Kaufmann, Burlington, 2016. Mon Sep 7 05:20:07 CEST 2026, CKEY=mmxaxbd, BKEY=msm2, CID=[?], LANGUAGE=de, DATE=07.09.2026