Data Science und Datenanalyse

Weiterbildung Controlling

Unser Praxisdozent:

Prof. Dr. habil. Korbinian von Blanckenburg

Dekan Fachbereich Wirtschaftswissenschaften
Technische Hochschule OWL
Mehr Informationen

🖈 Take-aways:

  • Unterschiede zwischen klassischer Controlling-Analyse und Data Science Analyse
  • Wie Sie mit Data Science die richtigen Entscheidungen treffen
  • Neue Analysemethoden und diese sicher anwenden
  • Darstellung der Analyseergebnisse: Visualisierung und Storytelling
  • Möglichkeiten zur Verbesserung der Datenqualität
  • Wie Sie mit Data Science die Geschäftsführung unterstützen können
  • Was sind datengetriebene Geschäftsmodelle und datengetriebene
    Geschäftsprozesse?
  • Welche Analysemöglichkeiten liefert Data Science?
  • Wie setze ich die Werkzeuge von Data Science richtig ein?
  • Welche Fehler werden häufig gemacht? Wie lassen sich diese vermeiden?
  • Welche Projektbeispiele aus der Praxis gibt es? Was kann man daraus lernen?

🗈 Kursbeschreibung:

Daten sind der entscheidende Rohstoff des 21. Jahrhunderts. Die Analyse und Aufbereitung großer Datenmengen sind eine wesentliche Grundlage für eine fundierte und qualitativ hochwertige Vorbereitung von Management Entscheidungen. Die Zunahme der Datenmengen in den nächsten Jahren durch das Internet der Dinge, durch Industrie 4.0 und die digitale Transformation wird diesen Prozess weiter beschleunigen.

Durch diese Entwicklung steigt der Bedarf an Spezialisten, die sehr große Datenbestände mit erweiterten Analysemethoden auswerten können. In vielen Unternehmen fehlt es jedoch bisher an Spezialisten mit dem nötigen Know-how für ein erfolgreiches Data Management. Diese Lücke schließen Mitarbeiter, die sich verstärkt mit den Themen Data Science und Datenanalyse beschäftigen.

Weiterlesen

Wie sich mit Data Science Mehrwert in Unternehmen schaffen lässt, zeigen die folgenden beiden Beispiele, die auch detailliert im Rahmen unseres Seminars besprochen werden.

Beispiel 1 Absatzplanung: Die im ERP-System des Unternehmens abgebildete Absatzplanung wurde um eine Vielzahl weiterer Merkmale erweitert. Dabei wurden Händlerdaten wie bspw. die Größe der Verkaufsfläche und die Größe der Fläche der überdachten Parkplätze in das Datenmodell aufgenommen. Auch Daten wie Wetterdaten (Regenwahrscheinlichkeit, Temperatur) wurden im Datenmodell berücksichtigt. Das erweiterte Datenmodell liefert deutlich bessere Absatzplanwerte als bisher. Im Ergebnis des Projekts können insbesondere out-of-stock Situationen bei den Händlern weitgehend vermieden werden.

Beispiel 2 Investitionscontrolling: In Vorbereitung einer Investitionsentscheidung wurde im Unternehmen ein Datenmodell mit allen verfügbaren Variablen zu der Investitionsentscheidung aufgebaut. Beim Aufbau des Datenmodells wurde insbesondere die Datenqualität der Modellmerkmale immer weiter verbessert, so dass das Datenmodell ständig verbessert werden konnte. Nach Fertigstellung erlaubte das Datenmodell die schnelle und transparente Analyse verschiedenster Szenarien. Auf der Grundlage des Datenmodells wurde eine fundierte Investitionsentscheidung durch den Vorstand des Unternehmens getroffen.

🗫 Format:

Der zweitägige Kurs findet im 4-Sterne-Superior-Hotel Rittergut Störmede statt. Die Lerninhalte werden interaktiv in einer kleinen Gruppe erarbeitet und diskutiert. Durch den persönlichen Austausch mit unseren Praxisdozenten werden exklusive Einblicke in das Daily Business ermöglicht. Ihre Fähigkeit, über die täglichen Realitäten und Herausforderungen zu berichten, verleiht diesem Kurs eine besondere Relevanz. Zur Vertiefung und Nachbereitung der Inhalte erhalten alle Teilnehmer im Anschluss digitale Unterlagen.

Kursinhalte:

  • Unterschiede zwischen klassischer Controlling-Analyse und Data Science Analyse
  • Wie Sie mit Data Science die richtigen Entscheidungen treffen
  • Neue Analysemethoden und diese sicher anwenden
Weiterlesen
  • Darstellung der Analyseergebnisse: Visualisierung und Storytelling
  • Möglichkeiten zur Verbesserung der Datenqualität
  • Wie Sie mit Data Science die Geschäftsführung unterstützen können

Kurshighlights:

  • Was sind datengetriebene Geschäftsmodelle und datengetriebene Geschäftsprozesse?
  • Welche Analysemöglichkeiten liefert Data Science?
  • Wie setze ich die Werkzeuge von Data Science richtig ein?
Weiterlesen
  • Welche Fehler werden häufig gemacht? Wie lassen sich diese vermeiden?
  • Welche Projektbeispiele aus der Praxis gibt es? Was kann man daraus lernen?

Kurs ist Teil des Jahresprogrammes

Details und Beispiele:

Daten sind der entscheidende Rohstoff des 21. Jahrhunderts. Die Analyse und Aufbereitung großer Datenmengen sind eine wesentliche Grundlage für eine fundierte und qualitativ hochwertige Vorbereitung von Management Entscheidungen. Die Zunahme der Datenmengen in den nächsten Jahren durch das Internet der Dinge, durch Industrie 4.0 und die digitale Transformation wird diesen Prozess weiter beschleunigen.

Durch diese Entwicklung steigt der Bedarf an Spezialisten, die sehr große Datenbestände mit erweiterten Analysemethoden auswerten können. In vielen Unternehmen fehlt es jedoch bisher an Spezialisten mit dem nötigen Know-how für ein erfolgreiches Data Management. Diese Lücke schließen Mitarbeiter, die sich verstärkt mit den Themen Data Science und Datenanalyse beschäftigen.

Weiterlesen

Wie sich mit Data Science Mehrwert in Unternehmen schaffen lässt, zeigen die folgenden beiden Beispiele, die auch detailliert im Rahmen unseres Seminars besprochen werden.

Beispiel 1 Absatzplanung: Die im ERP-System des Unternehmens abgebildete Absatzplanung wurde um eine Vielzahl weiterer Merkmale erweitert. Dabei wurden Händlerdaten wie bspw. die Größe der Verkaufsfläche und die Größe der Fläche der überdachten Parkplätze in das Datenmodell aufgenommen. Auch Daten wie Wetterdaten (Regenwahrscheinlichkeit, Temperatur) wurden im Datenmodell berücksichtigt. Das erweiterte Datenmodell liefert deutlich bessere Absatzplanwerte als bisher. Im Ergebnis des Projekts können insbesondere out-of-stock Situationen bei den Händlern weitgehend vermieden werden.

Beispiel 2 Investitionscontrolling: In Vorbereitung einer Investitionsentscheidung wurde im Unternehmen ein Datenmodell mit allen verfügbaren Variablen zu der Investitionsentscheidung aufgebaut. Beim Aufbau des Datenmodells wurde insbesondere die Datenqualität der Modellmerkmale immer weiter verbessert, so dass das Datenmodell ständig verbessert werden konnte. Nach Fertigstellung erlaubte das Datenmodell die schnelle und transparente Analyse verschiedenster Szenarien. Auf der Grundlage des Datenmodells wurde eine fundierte Investitionsentscheidung durch den Vorstand des Unternehmens getroffen.

Dauer:

Zweitägiges Praxisseminar