Dozent:
Prof. Dr. Sven Laumer

Tutor:
M.Sc. Kian Schmalenbach

Friedrich-Alexander-Universität Erlangen-Nürnberg
Wirtschaftsinformatik
Schöller-Stiftungslehrstuhl für Wirtschaftsinformatik, insb. Digitalisierung in Wirtschaft und Gesellschaft
https://www.digitalisierung.rw.fau.de/

Turnus & Dauer:
Sommersemester / 1 Semester

Einordnung:
Datenmanagementsysteme

Sprache:
Deutsch

Dieses Modul steht exklusiv den Studierenden des VAWi-Studiengangs zur Verfügung.

Lehr- & Medienformen

Das Modul besteht aus drei Phasen: Wissensvermittlung, Wissensanwendung und Wissensumsetzung. 

In der Wissensvermittlung setzen sich die Studierenden mithilfe von Lernvideos und ergänzenden Materialien (Vorlesungsfolien, Skript, ggf. Literatur) auseinander. In der Wissensanwendung besteht durch Fallstudienanalysen und Übungsaufgaben (auch technischer Natur) die Möglichkeit, die theoretischen Inhalte zu vertiefen. Hierzu werden Selbsttests, Musterlösungen und Videodiskussionen bereitgestellt. Für die Wissensumsetzung wird darüber hinaus eine freiwillige semesterbegleitende praktische Studienarbeit angeboten, die Studierende selbstständig bearbeiten können.

Arbeitsaufwand:
135-150 h: Selbststudium, Aufgabenbearbeitung & Abschlussprüfung

ECTS-Credits:
5

Zuordnung:
10 % Wirtschaftswissenschaften
10 % Informatik
75 % Kerngebiete der Wirtschaftsinformatik
5 % Allg. Grundlagen & Schlüsselqualifikationen

Voraussetzungen

keine

Angestrebte Lernergebnisse

Ziel des Moduls ist es, wesentliche Konzepte, Verfahren und Technologien des Datenmanagements, der Datenintegration und der Datenanalyse einzuführen, sodass Studierende mit Abschluss des Moduls in der Lage sind, die Inhalte der Vorlesung im unternehmerischen Kontext einzusetzen, um aus (großen) Datensätzen des operativen Geschäfts strategisch relevantes Wissen zu generieren.

Nach erfolgreichem Abschluss des Moduls erkennen die Studierenden die strategische Relevanz einer strukturierten Datenverwaltung, der Datenintegration und der Datenanalyse für Unternehmen und sind in der Lage, einen auf strategische Unternehmensziele ausgerichteten Ansatz zu konzipieren und mithilfe geeigneter Technologien zu implementieren. Darüber hinaus verfügen die Studierenden über ein grundlegendes technisches Verständnis in den Bereichen Datenmanagement, Datenintegration und Datenanalyse durch erworbene Kenntnisse in SQL, Webtechnologien (HTTP, REST, JSON), R (bzw. andere Tools) und Tableau (bzw. andere Tools) zusätzlich vertieft werden.

Studienempfehlungen

Es wird empfohlen, dass Modul zu Beginn des Studiums zu wählen. Es werden Grundlagen vermittelt, die in weiterführenden Modulen, die sich entweder mit Datenmanagement, Datenintegration oder der Datenanalyse (z.B. Data Science) auseinandersetzen, auch zur Anwendung kommen.

Inhalte & Gliederung

Das Modul „Datenmanagement, -integration und -analyse (DMIA)" führt in die wesentlichen Konzepte, Verfahren und Technologien des Datenmanagements, der Datenintegration und der Datenanalyse ein. Dabei stehen die Verwaltung, Speicherung, Abfrage, Integration, Transformation, Auswertung und Visualisierung von Daten im Mittelpunkt der Betrachtung. Anhand einer Mischung aus theoretischen Inhalten und praktischen Anwendungsaufgaben lernen die Studierenden grundlegende Verfahren und Technologien hierzu kennen und sind in der Lage, abhängig vom jeweiligen Anwendungsfall ein geeignetes Verfahren auszuwählen und umzusetzen.

Wissensvermittlung

In der Wissensvermittlungsphase des Moduls erlernen die Studierenden theoretische und technische Grundlagen der Modellierung, Verwaltung, Abfrage, Integration, Transformation, Auswertung und Visualisierung von Daten und verstehen, wie durch deren Zusammenspiel ein strukturierter Datenmanagement-, -integrations-, und -analyseprozess konzipiert und implementiert werden kann. Anhand einer begleitenden Fallstudie werden zudem konkrete Anwendungsmöglichkeiten der behandelten Konzepte im betrieblichen Kontext verdeutlicht.

Die Inhalte der Vorlesung sind in die folgenden drei Kapitel gegliedert: 

• Datenmanagement
• Datenspeicherung
• Datenmanipulation
• Datenabfrage
• Relationale Datenbanken
• Graphdatenbanken
• Dokumentendatenbanken
• Datenintegration
• Datenaufbereitung
• Datentransformation
• Datenaggregation
• Informationsintegration
• ETL-Prozess
• Data Warehousing
• Datenanalyse
• Datenextraktion
• Datenvisualisierung
• Datenauswertung
• Grundlagen des Business Intelligence
• Grundlagen der statistischen Datenanalyse
• Informationsvisualisierung
• Grundlagen des betrieblichen Wissensmanagements

Wissensanwendung

Zu jeder Einheit wird eine Fallstudie besprochen, welche zur Anwendung des theoretischen Wissens animiert. Im Mittelpunkt steht die Anwendung des Wissens aus der Wissensvermittlungsphase. Darüber hinaus bieten Selbsttests die Möglichkeit, das theoretische Wissen zu testen. 

Wissensumsetzung

Zum einen werden Anwendungsaufgaben (z.B. Formulierung von Datenbankanfragen, Durchführung einfacher Berechnungen, Auswertung von Datensätzen etc.) angeboten, die sich zur autodidaktischen Bearbeitung eignen. Neben den einfachen Anwendungsaufgaben wird außerdem die Möglichkeit geboten, das erworbene Wissen im Rahmen eines semesterbegleitenden Gruppenprojekts anzuwenden, bei dem die behandelten Technologien zur Verwaltung, Integration und Auswertung realer betrieblicher Datensätze eingesetzt werden.

Studien- & Prüfungsleistungen

• Klausur [90 Punkte / 100 %]
• Ggf. Bonus durch eine nachgewiesene optionale Studienleistung [18 Punkte / 20 %]

Der Bonus kann nur angerechnet werden, wenn in der Klausur mindestens 45 Punkte erreicht sind und die optionale semesterbegleitende Studienleistung durch Abgabe / Einreichen der Lösung zur Aufgabenbearbeitung nachgewiesen ist. Die Bestnote (1,0) kann ohne den Bonus erreicht werden.

Literatur

Literatur

Bodendorf, Freimut (2006): Daten- und Wissensmanagement. 2., aktualisierte und erweiterte Auflage. Berlin, Heidelberg, New York: Springer.

Laudon, Kenneth C.; Laudon, Jane Price; Schoder, Detlef (2010): Wirtschaftsinformatik: Eine Einführung: Pearson Deutschland GmbH.

Leimeister, Jan Marco (2015): Einführung in die Wirtschaftsinformatik. Berlin, Heidelberg: Springer.

weiterführende Literatur

Abts, Dietmar; Mülder, Wilhelm (2017): Grundkurs Wirtschaftsinformatik. Wiesbaden: Springer.

Alter, Steven (2006): Work systems and IT artifacts-Does the definition matter? In Communications of the Association for Information Systems 17 (1), p. 14.

Alter, Steven (2013): Work system theory: overview of core concepts, extensions, and challenges for the future. In Journal of the Association for Information Systems, p. 72.

Heinrich, Lutz J.; Heinzl, Armin; Roithmayr, Friedrich (2001): Wirtschaftsinformatik: Einführung und Grundlegung: De Gruyter.

Hildebrand, Knut; Gebauer, Marcus; Hinrichs, Holger; Mielke, Michael (2018): Daten- und Informationsqualität. Wiesbaden: Springer Fachmedien.

Krcmar, Helmut (2015): Informationsmanagement. Berlin, Heidelberg: Springer.

Laumer, Sven; Maier, Christian; Weitzel, Tim (2017): Information quality, user satisfaction, and the manifestation of workarounds: A qualitative and quantitative study of enterprise content management system users. In European Journal of Information Systems 26, pp. 333–360.

Rohweder, Jan P.; Kasten, Gerhard; Malzahn, Dirk; Piro, Andrea; Schmid, Joachim (2018): Informationsqualität‐Definitionen, Dimensionen und Begriffe. In Daten-und Informationsqualität: Auf dem Weg zur Information Excellence, pp. 23–43.

Wang, Richard Y.; Strong, Diane M. (1996): Beyond accuracy: What data quality means to data consumers. In Journal of Management Information Systems 12 (4), pp. 5–33.

Hinweise