|
Lehrende/r: Dr. Thomas Görtz; Univ.-Prof. Dr. Franz Rothlauf; Philipp Röchner
Veranstaltungsart:
Vorlesung/Übung
Anzeige im Stundenplan:
Data Analytics
Semesterwochenstunden:
4
Unterrichtssprache:
Deutsch
Min. | Max. Teilnehmerzahl:
- | -
Voraussetzungen / Organisatorisches:
Voraussetzung für den Besuch der Veranstaltung sind Grundlagenkenntnisse in Statistik/Stochastik und Operations Research sowie ein vorheriger Besuch der Veranstaltung „EDV“. Kenntnisse im Umgang mit der Programmiersprache R/Python sind von Vorteil, werden aber im Rahmen der Übungen vermittelt.
Die Vorlesung beinhaltet eine semesterbegleitende Programmieraufgabe, welche die Studierenden in Gruppenarbeit selbständig bearbeiten. Hilfestellung bei der Bearbeitung der Aufgabe wird in der Übung gegeben.
Inhalt:
Hinter den interdisziplinären Wissenschaftsfeldern Data Analytics & Data Science stecken eine auf dem Arbeitsmarkt stark nachgefragte Mischung aus Kenntnissen der traditionellen Statistik, Machine/Deep Learning, Business Analytics, Business Intelligence sowie Fähigkeiten die theoretischen Konzepte Code basiert zur Umsetzung zu bringen.
In der Vorlesung lernen die Studenten a) komplexe Daten getriebene Informationssystem zu planen bzw. zu strukturieren und b) eigene Daten getriebene Entscheidungsunterstützungssysteme zu entwickeln. Zu diesem Zweck werden sowohl in der Vorlesung als auch in der begleitenden Übung Grundlagen und Techniken zur analytischen Auswertung großer Datenmengen vorgestellt.
Die Vorlesung ist in zwei Hauptteile untergliedert: Nach einem einführenden Teil zu gängigen Data Analytics Frameworks und angrenzenden Themenbereichen wie Business Intelligence, Data Warehousing oder Data Mining, richtet der zweite Teil der Vorlesung den Fokus auf die Anwendung der erlernten Methoden im Kontext Suchmaschinenmarketing, (Keyword-) Auktionen und Bidmanagement.
Das Ziel der begleitenden Übungen ist es in Gruppenarbeit ein Bidmanagementsystem zu entwickeln, das für ein vorgegebenes Portfolio von Keywords die „optimale“ Biet-Strategie bestimmt. Die entwickelten Systeme treten unter realistischen Bedingungen im Rahmen eines Keyword Advertising Simulation- Programms gegeneinander an, und der Gewinner darf sich über einen Preis freuen.
Keywords:
- Decision-Making Process
- Decision Support Systems and concepts
- Data Science
- Data Mining, Predictive Analytics,
- Business Intelligence and Data Warehousing
- Keyword Advertising and Bidmanagement
- Stochastic Simulation
Empfohlene Literatur:
- Provost F., Fawcett T. (2013). Data Science for Business. Cambridge, University Press.
- Turban E., Aronson J., Liang T., Sharda, R. (2007). Decision Support and Business Intelligence Systems (Vol. 8). Person International Edition
- Burstein F., Holsapple C. W., (2008). Handbook on Decision Support System I/II, Springer
- Jansen, B. J. (2011). Understanding Sponsored Search: Core Elements of Keyword Advertising. Cambridge, University Press.
- Edelman, B. and Ostrovsky, M. (2007). Strategic bidder behavior in sponsored search auctions. Decision Support Systems, 43(1):192–198.
- Edelman, B., Ostrovsky, and Schwarz, M. (2006). Internet Advertising and the Generalized Second Price Auction: Selling Billions of Dollars Worth of Keywords. American Economic Review, 97(1):242–259.
- Skiera, B. and Abou Nabout, N. (2012). PROSAD: A Bidding Decision Support System for Profit Optimizing Search Engine Advertising. Electronic
- Commerce Research and Applications, 32(2):213–220.
- Hosanagar, K. and Abhishek, V. (2010). Optimal Bidding in Multi-Item Multi-Slot Sponsored Search Auctions. Social Science Research Network
Digitale Lehre:
Wir wünschen Ihnen und uns eine Präsenzveranstaltung. Sollte jedoch aufgrund der Pandemiesituation bzw. Rahmenvorgaben Präsenzlehre nicht möglich sein, wird die Vorlesung ganz oder in Teilen online stattfinden. In diesem Fall folgen die organisatorischen Hinweise rechtzeitig via E-Ma
|
