Veranstaltungsbeschreibung

254081b BI/Web Analytics II

Zuletzt geändert:07.09.2022 / von Carlsburg
EDV-Nr:254081b
Studiengänge: Medienmanagement (Master), Prüfungsleistung im Modul Grundlagen und Verfahren von Business IntelligenceI/Web Analytics in Semester 2
Häufigkeit: S23
Unternehmenskommunikation (Master), Prüfungsleistung im Modul Grundlagen und Verfahren von Business IntelligenceI/Web Analytics in Semester 2
Häufigkeit: S23
Dozent:
Link zur Veranstaltung / zum E-Learning-Kurs: Bitte nutzen Sie die Moodle Veranstaltung im jeweils aktuellen Semester. Dort wird entsprechend der Link an alle Teilnehmer:Innen versendet. 254081b
Sprache: Deutsch
Art: -
Umfang: 2 SWS
ECTS-Punkte: 3
Workload: 3 ECTS = 90 Zeitstunden, davon:
(1) Vorlesung: 15 x 1,5 h = 22,5 Stunden
(2) Vor- und Nachbereitung: 15 x 2,0 Stunden = 30,0 Stunden
(3) Prüfungsvorbereitung: 37,5 Stunden
Prüfungsform:
Bemerkung zur Veranstaltung: Teilnehmerbeschränkung Deutsch
Beschreibung: In der Veranstaltung Business Intelligence / Web Analytics wird anhand praxisorientierter Fallstudien gezeigt, wie eine datenbasierte Entscheidungsfindung zu einem systematischen Aufbau dauerhafter und profitabler Kundenbeziehungen beitragen kann. Dabei wird insbesondere die Thematik des Data-Driven Marketing behandelt. Sie erhalten während der Veranstaltung einen Überblick über die zentralen Konzepte, Kennzahlen und Methoden sowie eine anwendungsorientierte Einführung in die wichtigsten Technologien (bspw. Python, R) und Tools (Google Analytics) in diesem Bereich.

Zu Beginn der Veranstaltung behandeln wir das strategischen Konzept des Customer Lifecycle Managements sowie den Balanced Scorecard-Ansatz (Strategy Mapping) um daraus wichtige Unternehmens-Ziele und -Kennzahlen abzuleiten. In diesem Zusammenhang wird auch gezeigt, wie die für Analysen kundenbezogenen Website-Daten (bspw. Event-Tracking mit Google Analytics und Google Tag Manager) gesammelt werden können. Mit Hilfe dieser Daten können CRM- und Online Marketing-Maßnahmen (bspw. SEA, Display-Werbung, Social Media Marketing) durch die Verwendung unterschiedlicher Methoden (u.a. A/B-Test, Korrelationsanalysen, Regressionsanalysen, Klassifikationsverfahren, Clusteranalysen, Sentiment-Analysen) evaluiert und optimiert werden. Im Rahmen der Datenanalyse werden insbesondere Open Source-Technologien vorgestellt und angewendet. Zuletzt wird die Thematik des Datenschutzes unter Berücksichtigung der europäische Datenschutz-Grundverordnung (DSGVO) behandelt.

Literatur: Chaudhuri, S., Dayal, U., & Narasayya, V. (2011). An overview of business intelligence technology. Communications of the ACM, 54(8), 88-98.

Chen, H., Chiang, R. H., & Storey, V. C. (2012). Business intelligence and analytics: from big data to big impact. MIS quarterly, 1165-1188.

Davenport, T. H. (2006). Competing on analytics. Harvard Business Review, 84(1), 98.

Fields, A. (2018). Discovering statistics using IBM SPSS statistics. Thousand Oaks, CA.

Hippner, H., & Wilde, K. D. (2003). Data Mining im CRM. In Effektives Customer Relationship Management (S. 211-231). Wiesbaden: Gabler Verlag.

Kaplan, R. S., & Norton, D. P. (2005). Focus Your Organization on Strategy—with the Balanced Scorecard. Harvard Business Review, 1-74.

Kaushik, A. (2007). Web analytics: An hour a day. John Wiley & Sons.

James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning (Vol. 112). New York: Springer.

Kozyrkov, C (2018). What Great Data Analysts Do — and Why Every Organization Needs Them. Harvard Business Review (December).

VanderPlas, J. (2016). Python data science handbook: essential tools for working with data. O'Reilly Media, Inc.

Weitere Literatur finden Sie in der HdM-Bibliothek.