337111a Business Analytics

75 Stunden: 30 h Präsenzstudium, 22 h Vor- und Nachbereitung (Online-Lernplattform, Selbsttests, Übungsnotebooks), 13 h Planspiel (Markt- und Kampagnenrunden einschließlich Prognosen und schriftlicher Begründungen), 10 h Klausurvorbereitung.

Die Lehrveranstaltungen Business Analytics (337111a) und Data Storytelling (337111b) sind inhaltlich und organisatorisch eng aufeinander abgestimmt und finden in direkter zeitlicher Folge statt. Beide arbeiten mit derselben Fallstudie und demselben Datensatz. Die in Business Analytics erarbeiteten Analyseergebnisse (z. B. Kennzahlensysteme, Zeitreihenanalysen, Bestell- und Budgetempfehlungen, Ergebnisse von Experimenten) bilden die Grundlage für Visualisierung und Kommunikation in Data Storytelling. Die Ergebnisse des semesterbegleitenden Planspiels werden dort zu Dashboards, Management Summaries und einer Abschlusspräsentation aufbereitet. Beide Lehrveranstaltungen tragen gemeinsam die Modulprüfung (elektronische Klausur 70 %, semesterbegleitende Planspiel- und Kommunikationsleistung 30 %).

Die Lehrveranstaltung führt in die datengestützte Entscheidungsfindung im betriebswirtschaftlichen Kontext ein. Grundlage ist eine durchgehende Fallstudie (ein mittelständischer Kaffeeröster mit Direktvertrieb), deren Datensatz über das gesamte Semester bearbeitet wird. Ein semesterbegleitendes Planspiel mit zwei Phasen (Markt- und Kampagnenentscheidungen) verknüpft die Methoden mit konkreten Managemententscheidungen. Die Veranstaltung folgt dem Flipped-Classroom-Prinzip: Die Inhalte werden über eine begleitende Online-Lernplattform (Lektionen, Selbsttests, Übungsnotebooks) vorbereitet; die Präsenzzeit dient der angeleiteten Fallarbeit, den Planspielrunden und Übungen im Klausurformat.

1. Grundlagen: Gegenstand und Prozess von Business Analytics; cloudbasierte Arbeitsumgebung; Datenstrukturen im Unternehmen; Prüfung der Datenqualität; Auswertung mit Tabellenkalkulation (Pivot-Tabellen, Kennzahlen, Diagramme)
2. Datenabfrage mit SQL: SELECT, WHERE, GROUP BY und Aggregatfunktionen, JOIN; Übersetzung betriebswirtschaftlicher Fragestellungen in Abfragen; Prüfung KI-generierter Abfragen
3. Deskriptive Analyse und Kennzahlen: explorative Datenanalyse; Anforderungen an Kennzahlen; Ableitung von KPIs aus Unternehmenszielen; Lage- und Streuungsmaße; Verteilungen; Ausreißer; Deckungsbeitragsrechnung; Unit Economics (Funnel, Kundenakquisitionskosten)
4. Zusammenhänge und Zeitreihen: Saisonalität und Trend, Prognose aus historischen Daten; lineare Regression und Interpretation der Koeffizienten; Korrelation; Korrelation und Kausalität; Preiselastizität
5. Entscheidungen unter Unsicherheit: Bestandsentscheidungen; Stichprobenvariabilität; Beurteilung von Unterschieden (Zufall oder Effekt); A/B-Tests; Budgetallokation auf Marketingkanäle
6. Prädiktive Modelle: Interpretation von Modellaussagen, Gütemaßen und Grenzen (ohne eigene Modellentwicklung)
7. Generative KI in der Datenanalyse: Prompting für Analyseaufgaben; Dokumentation des KI-Einsatzes; Erkennen fehlerhafter Ausgaben; Verifikation von KI-Ergebnissen; Datenethik und Verzerrungen
8. Von der Analyse zur Entscheidungsempfehlung: Gesamtempfehlung an die Geschäftsführung; Probeklausur; Zusammenführung der Inhalte

Werkzeuge: Excel, SQL (DuckDB), Python (pandas, Altair; KI-gestützt), generative KI-Systeme.

Prüfung: elektronische Klausur (praktisch, ohne KI-Hilfsmittel: SQL-Abfragen, Auswertungen in Excel, Interpretation von Analyseergebnissen, Beurteilung fehlerhafter Analysen) 70 % sowie semesterbegleitende Planspiel- und Kommunikationsleistung 30 %, gemeinsam mit 337111b Data Storytelling.

This course introduces data-driven decision making in a business context. A single case study (a medium-sized coffee roasting company with direct-to-consumer sales) and its data set are used throughout the semester. Topics include translating business questions into analytical questions, SQL fundamentals (SELECT, WHERE, GROUP BY, JOIN), data quality assessment, descriptive statistics and key performance indicators, seasonality and trend analysis, pricing and contribution margin, decisions under uncertainty, sampling variability and A/B testing, correlation and causation, the interpretation of regression output, and the use of generative AI as an analytical assistant combined with critical verification of its results. A semester-long business simulation (market and campaign decisions) links the methods to concrete management decisions. Tools: Excel, SQL (DuckDB), Python (pandas, Altair; AI-assisted), generative AI systems. The course follows a flipped-classroom approach with an accompanying online learning platform.

• Provost, F.; Fawcett, T.: Data Science for Business. What You Need to Know about Data Mining and Data-Analytic Thinking. O'Reilly, 2013.
• Spiegelhalter, D.: The Art of Statistics. Learning from Data. Pelican, 2019.
• Wheelan, C.: Naked Statistics. Stripping the Dread from the Data. W. W. Norton, 2013.
• McKinney, W.: Python for Data Analysis. 3. Aufl., O'Reilly, 2022.
• Beaulieu, A.: Learning SQL. Generate, Manipulate, and Retrieve Data. 3. Aufl., O'Reilly, 2020.
• Pearl, J.; Mackenzie, D.: The Book of Why. The New Science of Cause and Effect. Basic Books, 2018.
• Kohavi, R.; Tang, D.; Xu, Y.: Trustworthy Online Controlled Experiments. A Practical Guide to A/B Testing. Cambridge University Press, 2020.

• Google Colab: https://colab.research.google.com
• DuckDB SQL-Dokumentation: https://duckdb.org/docs/
• pandas-Dokumentation: https://pandas.pydata.org/docs/
• Altair-Dokumentation: https://altair-viz.github.io
• McKinney, W.: Python for Data Analysis (Open Edition): https://wesmckinney.com/book/