Humboldt-Universität zu Berlin - Wirtschaftswissenschaftliche Fakultät

Abschlussarbeiten

Die Forschungsschwerpunkte des Lehrstuhls liegen in dem Bereich Big Data Analytics. In diesem Rahmen sind insb. Themen von Interesse, welche die Unterstützung betrieblicher Entscheidungsprozesse mit datenorientierten Methoden zum Gegenstand haben (siehe Beispiele hier). Prinzipiell gibt es in diesem Kontext diverse Fragestellungen, die im Rahmen einer Masterarbeit untersucht werden können.

Mögliche betriebliche Anwendungsbereiche für datenorientierte Methoden sind z.B. das Marketing, das Finanzwesen oder auch die Logistik und Produktionsplanung. Natürlich können auch Fragestellungen aus anderen Bereichen der BWL betrachtet werden. Typischerweise enthält eine Masterarbeit am Lehrstuhl einen empirischen Teil. Hier wird zumeist mit Echtdaten aus der Praxis gearbeitet. Oft geht es darum, die Effektivität neuer/noch wenig bekannter Methoden für ein bestimmtes Anwendungsproblem empirisch zu überprüfen. Ggf. wird auch ein Planungsverfahren komplett neu entworfen und getestet.  

Es stellt sich an dieser Stelle die Frage, wie Studierende an solche Echtdaten gelangen. Hier gibt es folgende Möglichkeiten:

 

  • Die Masterarbeit wird durch einen Praxispartner unterstützt, der die Daten bereitstellt.
  • Die Daten werden selbst im Rahmen der Masterarbeit erhoben (z.B. durch „anprogrammieren“ einer API wie sie Twitter u.a. anbieten oder durch web scraping)
  • Es werden die Daten eines Data Mining Wettbewerbs verwendet (KDD Cup, Data Mining Cup, NN3 bzw. NN5 Competition, etc.)
  • Es werden Daten aus einer Kaggle-Challenge verwendet (à www.kaggle.com)
  • Es werden Daten aus laufenden Forschungsprojekten des Lehrstuhls bereitgestellt. Aktuell verfügbar sind Daten aus den Gebieten:
    • Direktmarketing / Churn  
    • Automobilwirtschaft (Verkauf von Gebrauchtfahrzeugen)
    • Real-Time Targeting im E-Commerce
    • Credit Scoring bzw. PD Modeling
    • Wettmärkte (insb. Sportwetten)

 

Bei Interesse können ggf. auch Daten aus folgenden Bereichen beschafft werden (ohne Gewähr)

  • Lastprognose in Stromnetzen
  • Daten aus dem peer-to-peer lending

 

Eine weitere wesentliche Frage ist dann, wie diese Daten zu nutzen sind, d.h., worin genau die Aufgabenstellung der Masterarbeit besteht. Natürlich bestehen hier viele Freiheitsgrade, so dass Themen flexibel und nach Interessenlage der Studierenden gestaltet werden können. Um das Spektrum der Möglichkeiten etwas einzugrenzen, kann man den Typ von Daten betrachten, mit denen man arbeiten möchte. Standardanalysemethoden arbeiten mit strukturierten Daten (Tabellen wie z.B. in der Regression). Daneben gibt es den Spezialfall von Zeitreihendaten (z.B. Absatzprognose, Finanzmarktkurse, etc.). Bei den unstrukturierten Daten sind insb. Textdaten (z.B. Sentiment Analysis) und Netzwerkdaten (z.B. Social Media Analytics) interessant. Sofern bezüglich Datentyp Präferenzen bestehen, können mögliche Themen darüber näher eingegrenzt werden.

 

Ein weiteres Kriterium für die Wahl einer Themenstellung sind die in einer Masterarbeit betrachteten Methoden. Im Mittelpunkt der Forschung am Lehrstuhl stehen Prognosemethoden. Nachfolgend finden Sie eine Liste mit Schlagworten für neue/wenig verbreitete Methoden, die für betriebliche Planungsprobleme evaluiert werden könnten:

  • Ensemble Selection (z.B. für Marketing oder Credit-Scoring)
  • Kalman Filter (z.B. für Zeitreihendaten oder das real-time targeting von Werbebotschaften im E-Commerce)
  • Multi-armed bandit Modelle (z.B. für das real-time targeting von Werbebotschaften im E-Commerce)
  • Deep Learning (prinzipiell überall einsetzbar)
  • Survival-Modelle (z.B. zur Preisoptimierung in der Automobilwirtschaft)
  • Choice Models / Hierarchical Bayesian Models (z.B. für das real-time targeting von Werbebotschaften im E-Commerce oder für Wettmärkte)
  • (Recurrent) neural networks (z.B. zur Absatz oder Finanzmarktprognose oder  im Zusammenspiel mit Metaheuristiken für das Modelltraining und/oder die Modellselektion)

 

Losgelöst von konkreten Methoden oder Algorithmen (wie den obigen) existieren in der Literatur vielfältige Ansätze für spezielle analytische Aufgabenstellungen, die sich substanziell von klassischen Erklärungs- (z.B. Regression oder Klassifikation)  oder Beschreibungsmodellen (z.B. Clustering) unterscheiden. Solche „Modellierungsstrategien“ in betrieblichen Anwendungsbereichen zu evaluieren ist ebenfalls eine spannende Aufgabe für eine Masterarbeit. Auch hierzu einige Schlagworte:

  • Active learning
  • Causal machine learning
  • Learning with privileged information (z.B. Finanzprognose)
  • Semi-supervised/transductive learning (z.B. für Churn Prediction)
  • Imbalanced learning (z.B. für Marketing oder Credit Scoring)
  • Multi-task learning (z.B. Finanzprognose)
  • Reject inference (Credit Scoring)
  • Online learning

 

Ich hoffe die obige Liste konnte Ihnen eine Vorstellung vermitteln, wie Ihre Masterarbeit am Lehrstuhl für Wirtschaftsinformatik aufgebaut sein könnte. Unabhängig von den genannten Themen/Schlagworten, ist es immer sinnvoll, sich aktuelle Forschungsaufsätze von Mitgliedern des Lehrstuhls anzuschauen, um weitere Ideen für mögliche Aufgabenstellungen zu erhalten.

Sofern Sie bereits eine Themenstellung im Kopf haben, die Sie gerne bearbeiten würden und die nicht in eines der oben genannten Kerntätigkeitsfelder des Lehrstuhls fällt, können Sie gern ein kurzes Exposé erstellen und mir dieses per E-Mail zukommen lassen. Das Exposé sollte insb. Aufschluss über folgende Fragen geben:

  • welche Fragestellung möchten Sie betrachten
  • worin die akademische und praktische Relevanz dieses Themas liegt
  • welchen konkreten Erkenntnisbeitrag streben Sie mir Ihrer Arbeit an

 

Exposés, die im Zuge der Beantwortung der obigen Fragen themenrelevante Literatur referenzieren, lese ich besonders gerne.

 

FAQ zu Abschlussarbeiten finden Sie hier (nur auf Englisch).