Masterstudierende der Wirtschaftsinformatik an der FU Berlin. Der Kurs ist offen für weitere Interessierte, z.B. aus dem Masterstudiengang Data Science oder Studiengängen an der Freien Universität Berlin, der Humboldt-Universität Berlin, der TU Berlin oder der Charité - Universitätsmedizin Berlin, z.B. Management & Marketing, Informatik, Master Statistik oder angrenzenden Studienfächern.

Keine

Studierenden wird empfohlen das Modul nach der Veranstaltung „Business Analytics“ zu besuchen, allerdings können auch Studierende mit bereits bestehenden Data Science Vorkenntnissen im 1. Semester teilnehmen, um ihre Business Analytics-Kenntnisse zu erweitern.

Der Kurs „Applied Analytics“ bietet eine praxisorientierte Vertiefung im Bereich Business Analytics und richtet sich an Studierende, die analytische Methoden auf reale Daten anwenden möchten. Die Teilnehmenden arbeiten mit synthetisierten medizinischen Daten (vor. Charité) zu verschiedenen Datenmodalitäten, darunter Diagnosen, Prozeduren, Medikation und Assessment-Daten.

Studierendengruppen werden unterschiedliche Daten-Modell-Kombinationen verproben, darunter Ansätze wie Tree-Based Models, Neural Networks, Causal Machine Learning und generative KI-Anwendungen auf Textdaten. Es sollen hierbei verschiedene Datenmodalitäten mit verschiedenen Analytik-Modellen kombiniert und miteinander verglichen werden. Die Resultate werden gebenchmarkt und analysiert, um optimale Modelle und Vorgehensweisen zu ermitteln. Je nach Anzahl der Teilnehmer:innen können auch weitere (nicht-binäre) Outcomes untersucht werden.

Neben der praktischen Arbeit wird der Kurs durch theoretische Inputs begleitet, um das notwendige vertiefte Wissen in angewandten Business Analytics-Methoden zu vermitteln. Dies umfasst sowohl die Vorstellung und Diskussion der verwendeten Modelle als auch Best Practices in der Datenanalyse.

Die Inhalte werden durch Input-Vorträge, wissenschaftliche Artikel und Gruppenarbeit vermittelt. Ein Lehrbuch sorgt für die notwendige Struktur und dient als Grundlage des Kurses.

Lernziele:

1. die Grundlagen der deskriptiven und prädiktiven Analytik sowie deren Herausforderungen in der Anwendung in ausgewählten Bereichen verstehen.
2. verschiedene Datenanalyse-Modelle identifizieren, beschreiben und in der Praxis erproben.
3. die Potenziale und Grenzen prädiktiver Analytik zur Entscheidungsunterstützung reflektieren.
4. Fallstudien mit Datenanalyse-Methoden bearbeiten, Vorhersagemodelle entwickeln und deren Genauigkeit bewerten.

Kursliteratur:

Abbott, D. (2014). Applied Predictive Analytics : Principles and Techniques for the Professional Data Analyst (1st edition. ed.). Indianapolis, IN: John Wiley and Sons.