Universität Wien

040070 KU Data Science als Strategischer Erfolgsfaktor (MA) (2018W)

4.00 ECTS (2.00 SWS), SPL 4 - Wirtschaftswissenschaften
Prüfungsimmanente Lehrveranstaltung

An/Abmeldung

Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").

Details

max. 50 Teilnehmer*innen
Sprache: Deutsch

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

Donnerstag 15.11. 09:45 - 14:45 Hörsaal 16 Oskar-Morgenstern-Platz 1 2.Stock
Montag 26.11. 09:45 - 14:45 Hörsaal 16 Oskar-Morgenstern-Platz 1 2.Stock
Mittwoch 05.12. 11:30 - 16:30 Hörsaal 16 Oskar-Morgenstern-Platz 1 2.Stock
Dienstag 15.01. 09:45 - 14:45 Hörsaal 17 Oskar-Morgenstern-Platz 1 2.Stock
Dienstag 22.01. 09:45 - 14:45 Hörsaal 17 Oskar-Morgenstern-Platz 1 2.Stock

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

Die zunehmende Digitalisierung unserer Gesellschaft generiert eine Datenflut, die Unternehmen in allen Branchen vor große Herausforderungen stellt. Zum einen eröffnen die gesammelten Informationen die Möglichkeit, Einsichten über Kunden, Nutzerverhalten uvm. zu generieren und diese Einsichten zu verwenden, um strategische Wettbewerbsvorteile zu erlangen. Das reicht von der Individualiserung von Leistungen bis hin zur Schaffung und Vermarktung vollkommen neuer datenbasierter Dienstleistungen. Zum anderen erfordert es von Unternehmen allerdings auch den Aufbau von Kompetenzen, Daten sauber zu halten, zu analysieren, zu interpretieren und die Erkenntnisse ökonomisch zu verwerten. Unternehmen, die diese Kompetenzen nicht erwerben, werden ins Hintertreffen geraten.
Der Kurs zielt darauf ab, sowohl strategische als auch operative Fragestellungen zu klären, die sich aus der Gewinnung und Verarbeitung von Daten für Unternehmen ergeben. Zuerst erfolgt eine Einführung in die theoretischen Konzepte von "Business Analytics". Statistische Grundkenntnisse werden vorausgesetzt. Dabei wird vor allem darauf eingegangen, welche Defizite es derzeit bei der Überleitung von Erkenntnissen aus statistischen Analysen von Unternehmensdaten in den praktischen Einsatz gibt. Der zweite Teil fokussiert auf die theoretischen Grundlagen, wie analytische Verfahren dabei helfen können, unternehmerische Entscheidungen zu verbessern. Der dritte Teil bringt internationale Fallbeispiele, wie der Aufbau von Data Science-Kompetenz zu strategischen Wettbewerbsvorteilen führen kann. Dabei wird auch herausgearbeitet, welche Unterschiede zwischen Amerika, Europa und Asien in der Umsetzung von solchen Strategien gibt.

Die Lehrveranstaltung ist Case-basiert. Unternehmen aus unterschiedlichen Branchen und in unterschiedlichen Ausgangssituationen werden zur praktischen Illustration der vorgestellten Konzepte herangezogen.

Ein Hinweis der Studienprogrammleitung:
Diese Lehrveranstaltung wird für keinen Kurs im Minor B.2.7.b. Strategic Management I - Variante Prof. Reitzig anerkannt. Er qualifiziert auch nicht für eine Masterarbeit im Fachbereich Prof. Reitzig.

Art der Leistungskontrolle und erlaubte Hilfsmittel

Der Leistungsnachweis kann über folgende Teilleistungen erbracht werden:
1.) zwei unangekündigte Kurztests während des Semesters, zusammen 20 %
2.) Aktive Teilnahme an den Diskussionen 30 %
3.) Prüfung am Semesterende 50 %
Daneben können auf freiwilliger Basis Zusatzpunkte im Gesamtausmaß von höchstens 20 % erworben werden. Möglichkeiten zur Wiederholung versäumter oder mangelhaft absolvierter Teilleistungen werden nicht angeboten. Da nicht alle Inhalte im Rahmen des Vortrags abgedeckt werden können, ist das begleitende Studium der Literatur unumgänglich. Regelmäßige Anwesenheit wird erwartet. Eine "online"-Anmeldung ist unbedingt erforderlich; Abmeldungen von der Lehrveranstaltung sind bis zum 15.10.2018 möglich.
Auf die korrekte Vorgangsweise beim wissenschaftlichen Arbeiten bzw. Zitieren wird besonders hingewiesen; vergleiche beispielsweise:
http://marketing.univie.ac.at/studierende/verhaltenskodex/
https://wirtschaftswissenschaften.univie.ac.at/service/studienservicecenter/schriftliche-arbeiten/master-magisterarbeit/

Mindestanforderungen und Beurteilungsmaßstab

Positive ab 50%
4: 50-62%
3: 63-75%
2: 76-87%
1: 88-100%

Prüfungsstoff

Case-Unterlagen

Literatur

Murugan Anandarajan (Hrsg.); Aligning Business Strategies and Analytics: Bridging Between Theory and Practice (Advances in Analytics and Data Science, Band 1), Harvard Business Press, 2014
Ergänzend: Bart Baesens; Driving Digital: Analytics in a Big Data World: The Essential Guide to Data Science and its Applications, Wiley, 2017

Zuordnung im Vorlesungsverzeichnis

Letzte Änderung: Mo 07.09.2020 15:28