Universität Wien
Achtung! Das Lehrangebot ist noch nicht vollständig und wird bis Semesterbeginn laufend ergänzt.

040038 VO Data Analytics (MA) (2026S)

4.00 ECTS (2.00 SWS), SPL 4 - Wirtschaftswissenschaften
GEMISCHT
Moodle

An/Abmeldung

Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").
Für diese LV an-/abmelden

Details

Sprache: Deutsch

Prüfungstermine

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

  • Mittwoch 04.03. 16:45 - 18:15 Hörsaal 4 Oskar-Morgenstern-Platz 1 Erdgeschoß
  • Mittwoch 11.03. 16:45 - 18:15 Hörsaal 4 Oskar-Morgenstern-Platz 1 Erdgeschoß
  • Mittwoch 18.03. 16:45 - 18:15 Hörsaal 4 Oskar-Morgenstern-Platz 1 Erdgeschoß
  • Mittwoch 25.03. 16:45 - 18:15 Hörsaal 4 Oskar-Morgenstern-Platz 1 Erdgeschoß
  • Mittwoch 15.04. 16:45 - 18:15 Hörsaal 4 Oskar-Morgenstern-Platz 1 Erdgeschoß
  • Mittwoch 22.04. 16:45 - 18:15 Hörsaal 4 Oskar-Morgenstern-Platz 1 Erdgeschoß
  • Mittwoch 29.04. 16:45 - 18:15 Hörsaal 4 Oskar-Morgenstern-Platz 1 Erdgeschoß
  • Mittwoch 13.05. 16:45 - 18:15 Hörsaal 4 Oskar-Morgenstern-Platz 1 Erdgeschoß
  • Mittwoch 20.05. 16:45 - 18:15 Hörsaal 4 Oskar-Morgenstern-Platz 1 Erdgeschoß
  • Mittwoch 27.05. 16:45 - 18:15 Hörsaal 4 Oskar-Morgenstern-Platz 1 Erdgeschoß
  • Mittwoch 03.06. 16:45 - 18:15 Hörsaal 4 Oskar-Morgenstern-Platz 1 Erdgeschoß
  • Mittwoch 10.06. 16:45 - 18:15 Hörsaal 4 Oskar-Morgenstern-Platz 1 Erdgeschoß
  • Mittwoch 17.06. 16:45 - 18:15 Hörsaal 4 Oskar-Morgenstern-Platz 1 Erdgeschoß

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

Datamining und Big Data anhand von Fallbeispielen

Im Kurs werden Konzepte des Datamining und Big Data anhand von Fallbeispielen erläutert und diskutiert.

Die Beispiele kommen aus den Themenbereichen

. Customer Relationship Management
. Fraud Detection
. Revenue Management
. Market Research

Die vorgestellten Konzepte des Dataming’s und Big Data umfassen u.a.

. multiple Regression,
. logistische Regression
. Kontingenztafelanalyse
. Varianzanalyse
. Zeitreihenanalyse
. Supervised und unsupervised learning

Art der Leistungskontrolle und erlaubte Hilfsmittel

Schriftliche Prüfung, Multiple Choice, es sind keine Unterlagen und Hilfsmittel erlaubt bzw. notwendig

Mindestanforderungen und Beurteilungsmaßstab

Um den Kurs positiv zu absolvieren müssen mindestens 60% der Punkte bei der Prüfung erreicht werden.

Prüfungsstoff

Analysieren einer Problemstellung und skizieren der Lösung mittels Datamining

Verstehen (= lesen und interpretieren können) der statistischen Modellgleichungen
und der Vorgehensweise beim Datamining

Mehr Details zur Prüfung werden während des Kurses bekanntgegeben.

Literatur

Folien und Audio
Themenbezogen Literaturhinweise während des Kurses

Zuordnung im Vorlesungsverzeichnis

GM1 Pflicht

Letzte Änderung: Do 27.08.2026 12:25