Module


General information
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
Curricular relevance (according to examination regulations)
Study Subject Study Specialization Study Focus Module type Semester
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

Qualification outcome
Areas of Competence: Knowledge and Understanding; Use, application and generation of knowledge; Communication and cooperation; Scientific self-understanding / professionalism.
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
Content information
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.
Teaching formats of the courses
Teaching format SWS
Lehrvortrag + Übung 4
Workload
4 SWS
5,0 Credits
48 Hours
102 Hours
Module Examination
Method of Examination Duration Weighting wird angerechnet gem. § 11 Absatz 2 PVO Graded Remark
Veranstaltungsspezifisch 100 %
Miscellaneous
Das Themenspektrum stellt den Maximalumfang dar und kann abhängig vom zeitlichen Semesterverlauf in Abstimmung mit den Studierenden reduziert bzw. modifiziert werden.