Modul

PDF-Export
Allgemeine Informationen
Visual Data Science
Visual Data Science
BA-WM I - S 150
Prof. Dr. Schwörer, Tillmann (tillmann.schwoerer@haw-kiel.de)
Prof. Dr. Schwörer, Tillmann (tillmann.schwoerer@haw-kiel.de)
Wintersemester 2021/22
1 Semester
In der Regel im Wintersemester
Deutsch
Studiengänge und Art des Moduls (gemäß Prüfungsordnung)
Studiengang Vertiefungsrichtung Schwerpunkt Modulart Fachsemester
B.A. - BWL - Betriebswirtschaftslehre (Regelstudienzeit 6 Semester) Wahlmodul
B.Sc. - WINF - Wirtschaftsinformatik (6 Sem.) Wahlmodul
B.Sc. - WINF Online - Wirtschaftsinformatik Online Wahlmodul
B.A. - BWL Online TZ - Betriebswirtschaftslehre Online Teilzeit Wahlmodul
B.A. - BWL - Betriebswirtschaftslehre (letzte Aufnahme SoSe 2024) Wahlmodul
B.A. - BWL Online - Betriebswirtschaftslehre Online Wahlmodul
Kompetenzen / Lernergebnisse
Kompetenzbereiche: Wissen und Verstehen; Einsatz, Anwendung und Erzeugung von Wissen; Kommunikation und Kooperation; Wissenschaftliches Selbstverständnis/Professionalität.
Die Studierenden
- kennen Anwendungsszenarien für Data Science im betrieblichen Kontext
- verstehen den Data Science Workflow und die Rolle von Visualisierungen darin
- kennen unterschiedliche Visualisierungstypen und wissen für welche Anwendungsfälle diese geeignet sind
Die Studierenden
- können mittels selbst erstellter Visualisierungen Muster in komplexen Daten identifizieren
- können aus unbekannten Daten Hypothesen ableiten und überprüfen
- können anwendungs- und zielgruppenspezifisch Anforderungen in maßgeschneiderte Visualisierungslösungen übersetzen
- können Visualisierungen korrekt interpretieren und deren Inhalt und Methode kritisch hinterfragen
Die Studierenden
- können mithilfe von Visualisierungen komplexe Sachverhalte effektiv und zielgruppengerecht kommunizieren
- können ihre methodische Vorgehensweise klar kommunizieren
- sind in der Lage, konstruktives Feedback zu erteilen und von anderen zu akzeptieren
Die Studierenden
- reflektieren ihre methodische Herangehensweise
- reflektieren die Schwächen bzw. Grenzen der verwendeten Daten und Techniken
- befolgen wissenschaftliche und ethische Prinzipien
Angaben zum Inhalt
Im Fokus steht die Frage, wie durch Visualisierungen betriebswirtschaftlich relevante Erkenntnisse aus Daten abgeleitet werden und effektiv kommuniziert werden können. Daneben wird auch der Umgang mit vorgelagerten Herausforderungen im Bereich Datenakquise und -aufbereitung behandelt. Die fachlichen Inhalte werden unter Einsatz der Software R anhand von realen Datensätzen und Anwendungsfällen erlernt.

1. Überblick über die Disziplin Data Science
1.1 Einsatzgebiete von Data Science im betrieblichen Kontext
1.2 Data Science Workflow mit R
1.3 Effektives Visual Storytelling
2. Datenakquistion
2.1 Datenquellen (Textdateien, Datenbanken, APIs)
2.2 Bereinigung und Anreicherung
2.3 Exploration
3. Datenvisualisierung
3.1 ...nach Datentyp
3.1.1 Querschnittsdaten
3.1.2 Verteilungen
3.1.3 Aggregierte Daten
3.1.4 Zeitreihen
3.1.5 Geodaten
3.2 ... für Maschinelles Lernen und Statistik
4. Interaktive Web Apps
Baumer, B., Kaplan, D. and Horton, N. (2017): Modern Data Science with R. 2. Auflage. Taylor & Francis Inc.
Wilke: Fundamentals of Data Visualization: A Primer on Making Informative and Compelling Figures. O'Reilly, first edition, online available: https://serialmentor.com/dataviz.
Wickham, H. (2016): ggplot2: Elegant Graphics for Data Analysis (Use R!). 2. Auflage. Springer.
Wickham, H. (2021): Mastering Shiny: Build Interactive Apps, Reports, and Dashboards Powered by R. 1. Auflage. O'Reilly UK Ltd.
Lehrformen der Lehrveranstaltungen
Lehrform SWS
Lehrvortrag + Übung 4
Arbeitsaufwand
4 SWS
5,0 Leistungspunkte
48 Stunden
102 Stunden
Modulprüfung
Prüfungsform Dauer Gewichtung wird angerechnet gem. § 11 Absatz 2 PVO Benotet Anmerkung
Veranstaltungsspezifisch 100 %
Sonstiges
Das Themenspektrum stellt den Maximalumfang dar und kann abhängig vom zeitlichen Semesterverlauf in Abstimmung mit den Studierenden reduziert bzw. modifiziert werden.
PDF-Export