|
|
|
| Code: WIMb21MI105 |
|
0BL |
|
6 |
| Studiensemester: laut Wahlpflichtliste |
| Pflichtfach: nein |
Arbeitssprache:
Deutsch |
Studienleistungen (lt. Studienordnung/ASPO-Anlage):
Zur Unterstützung des kontinuierlichen Lernfortschritts sind während des Semesters vorbereitende unbenotete Teilleistungen einzureichen. Diese dienen der Strukturierung der Projektarbeit, der frühzeitigen Rückmeldung und der Sicherung eines angemessenen Arbeitsfortschritts. Die abschließende Bewertung erfolgt auf Basis der fachlichen Qualität der Analyse, der methodischen Angemessenheit, der Nachvollziehbarkeit der Programmierleistung, der Ergebnisinterpretation, der
Praxisrelevanz und der kritischen Reflexion. |
Prüfungsart:
Projektarbeit (Die Studierenden bearbeiten einzeln oder in kleinen Gruppen einen anwendungsorientierten Data-Science-Use-Case. Die Projektarbeit umfasst insbesondere: die Beschreibung der fachlichen Problemstellung, die Auswahl oder
Bereitstellung geeigneter Daten, die Datenaufbereitung, die explorative Analyse, den Einsatz geeigneter statistischer oder datenwissenschaftlicher Methoden, die softwaregestützte Umsetzung in Python oder R, die Visualisierung und Interpretation der Ergebnisse sowie eine kritische Reflexion der Aussagekraft und Grenzen der Analyse.)
Die abschließende Bewertung erfolgt auf Basis der fachlichen Qualität der Analyse, der methodischen Angemessenheit, der Nachvollziehbarkeit der Programmierleistung, der Ergebnisinterpretation, der Praxisrelevanz und der kritischen Reflexion.
[letzte Änderung 20.08.2026]
|
|
Der Gesamtaufwand des Moduls beträgt 150 Arbeitsstunden.
|
Empfohlene Voraussetzungen (Module):
Keine.
|
Sonstige Vorkenntnisse:
brauchbare Statistikkenntnisse sind hilfreich; Grundkenntnisse in Python oder R sind nicht vorausgesetzt, aber ebenso hilfreich
[letzte Änderung 20.08.2026]
|
Als Vorkenntnis empfohlen für Module:
|
Modulverantwortung:
Prof. Dr. Susan Pulham |
Dozent/innen:
Lehrbeauftragte
[letzte Änderung 20.08.2026]
|
Lernziele:
Nach erfolgreichem Abschluss des Moduls sind die Studierenden in der Lage, datenbasierte Fragestellungen aus dem wirtschaftsingenieurwissenschaftlichen Umfeld systematisch zu bearbeiten. Sie können geeignete Datenquellen identifizieren, Daten aufbereiten, explorativ analysieren, visualisieren und mithilfe statistischer sowie grundlegender datenwissenschaftlicher Verfahren auswerten.
Die Studierenden erwerben ein praxisorientiertes Verständnis für den gesamten Data-Science-Prozess – von der Problemdefinition über die Datenbeschaffung und Datenvorbereitung bis hin zur Modellierung, Interpretation und Kommunikation der Ergebnisse. Sie können geeignete Softwarewerkzeuge, vorzugsweise Python oder R, für Datenanalysen einsetzen und die Ergebnisse kritisch im Hinblick auf Datenqualität, methodische Annahmen, Aussagekraft und betriebliche Entscheidungsrelevanz beurteilen.
Die Lernaktivitäten orientieren sich an realitätsnahen Use Cases aus wirtschaftsingenieurwissenschaftlichen Tätigkeitsfeldern, etwa Ausschussanalyse in der Produktion, Nachfrageprognosen, Analyse von Maschinendaten, Lieferkettenauswertungen, Energieverbrauchsanalysen oder Qualitäts- und Prozesskennzahlen. Dadurch werden methodische Inhalte unmittelbar mit betrieblichen Anwendungssituationen verknüpft.
[letzte Änderung 20.08.2026]
|
Inhalt:
Das Modul behandelt zentrale Konzepte und Methoden der angewandten Data Science mit besonderem Bezug zu typischen Aufgabenfeldern von Wirtschaftsingenieurinnen und Wirtschaftsingenieuren. Dazu gehören insbesondere:
Grundlagen von Data Science und Business Analytics
Einführung in datengetriebene Entscheidungsprozesse, Rolle von Data Science in Unternehmen, Abgrenzung zu klassischer Statistik, Business Intelligence und Künstlicher Intelligenz sowie typische Anwendungsfelder in Produktion, Logistik, QStatistische Grundlagen für Data Science
Praxisnahe Wiederholung und Anwendung ausgewählter statistischer Konzepte, insbesondere
Wahrscheinlichkeitsrechnung, Verteilungen, Stichproben, Konfidenzintervalle, Hypothesentests und
einfache Verfahren zur Bewertung von Zusammenhängen und Gruppenunterschieden.
Modellierung und Prognose
Einführung in Regressionsmodelle und ausgewählte Machine-Learning-Grundlagen, zum Beispiel
Klassifikation, Clustering oder Prognosemodelle. Schwerpunkt ist nicht die mathematische Tiefe,
sondern die sachgerechte Anwendung, Interpretation und Bewertung der Ergebnisse in
realitätsnahen Entscheidungssituationen.
Softwaregestützte Datenanalyse
Einführung in die Arbeit mit Python oder R, vorzugsweise in notebookbasierten Lernumgebungen.
Die Studierenden bearbeiten praxisorientierte Analyseaufgaben, erstellen Visualisierungen,
dokumentieren ihre Vorgehensweise und leiten nachvollziehbare Handlungsempfehlungen ab.
Kommunikation und Reflexion von Analyseergebnissen
Aufbereitung datenbasierter Erkenntnisse für fachliche und unternehmerische Zielgruppen; kritische
Reflexion von Modellgüte, Datenbasis, Unsicherheit, Verzerrungen und Grenzen datengetriebener
Entscheidungen.ualität, Instandhaltung, Energie, Einkauf, Vertrieb und Prozessoptimierung.
Datenquellen, Datenverständnis und Datenqualität
Arbeit mit strukturierten und teilstrukturierten Daten, interne und externe Datenquellen, Datenformate, Datenqualität, fehlende Werte, Ausreißer, Plausibilitätsprüfungen und grundlegende Prinzipien verantwortungsvoller Datennutzung.
Datenaufbereitung und explorative Datenanalyse
Bereinigung, Transformation und Zusammenführung von Datensätzen; deskriptive Statistik; Kennzahlen; Gruppierungen; Visualisierung von Verteilungen, Zusammenhängen und zeitlichen Entwicklungen; Interpretation von Mustern und Auffälligkeiten.
[letzte Änderung 20.08.2026]
|
Weitere Lehrmethoden und Medien:
Blended Learning, Python, R, Fachgespräche, Fallstudie
[letzte Änderung 20.08.2026]
|
Sonstige Informationen:
Dozentin ist Anna van Noy (M.Sc.)
[letzte Änderung 20.08.2026]
|
Literatur:
wird in der Veranstaltung bekanntgegeben
[letzte Änderung 20.08.2026]
|
