htw saar Piktogramm
Zurück zur Hauptseite

Version des Moduls auswählen:
XML-Code

flag

Marktanalyse (Strategic Analytics + Big Data Analysis)

Modulbezeichnung: Marktanalyse (Strategic Analytics + Big Data Analysis)
Modulbezeichnung (engl.): Market Analysis (Strategic Analytics + Big Data Analysis)
Studiengang: Marketing Science, Master, ASPO 01.04.2016
Code: MAMS-120
SAP-Submodul-Nr.: P420-0019
SWS/Lehrform: 4VU (4 Semesterwochenstunden)
ECTS-Punkte: 6
Studiensemester: 1
Pflichtfach: ja
Arbeitssprache:
Deutsch
Prüfungsart:
Klausur (120 Minuten / Wiederholung semesterweise)

[letzte Änderung 06.01.2016]
Verwendbarkeit / Zuordnung zum Curriculum:
MAMS-120 (P420-0019) Marketing Science, Master, ASPO 01.04.2016, 1. Semester, Pflichtfach
Arbeitsaufwand:
Die Präsenzzeit dieses Moduls umfasst bei 15 Semesterwochen 60 Veranstaltungsstunden (= 45 Zeitstunden). Der Gesamtumfang des Moduls beträgt bei 6 Creditpoints 180 Stunden (30 Std/ECTS). Daher stehen für die Vor- und Nachbereitung der Veranstaltung zusammen mit der Prüfungsvorbereitung 135 Stunden zur Verfügung.
Empfohlene Voraussetzungen (Module):
Keine.
Als Vorkenntnis empfohlen für Module:
Modulverantwortung:
Prof. Dr. Stefan Selle
Dozent:
Prof. Dr. Christian Liebig
Prof. Dr. Stefan Selle
Dozenten des Studiengangs
Nico Krivograd, M.Sc.


[letzte Änderung 14.09.2021]
Lernziele:
[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.

[letzte Änderung 14.02.2022]
Inhalt:
[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


[letzte Änderung 14.02.2022]
Weitere Lehrmethoden und Medien:
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).

[letzte Änderung 14.02.2022]
Literatur:
[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.

[letzte Änderung 14.02.2022]
[Mon Jun 27 23:35:29 CEST 2022, CKEY=mmxaxbd, BKEY=msm2, CID=MAMS-120, LANGUAGE=de, DATE=27.06.2022]