(10180204 / 10180206)

Dozent/in	Daniel Fürstenau, Luzie Lerche
Semester	Sommersemester 2026
Veranstaltungsumfang	4 SWS (180 Stunden)
Leistungspunkte	6
Beginn	14-04.2026 | 12:00 Uhr
Zeit	Dienstatg, 12 - 14 Uhr (SU); Donnerstag, 14 - 16 Uhr (S)
Raum	Hörsaal 106, Garystr.21

Zielgruppe und Voraussetzungen

Masterstudierende der Wirtschaftsinformatik an der FU Berlin. Der Kurs ist offen für weitere Interessierte, z.B. aus dem Masterstudiengang Data Science oder Studiengängen an der Freien Universität Berlin, der Humboldt-Universität Berlin, der TU Berlin oder der Charité - Universitätsmedizin Berlin, z.B. Management & Marketing, Informatik, Master Statistik oder angrenzenden Studienfächern

Überblick

• Einführung in zentrale Konzepte der Business Intelligence und datengetriebenen Entscheidungsfindung
• Grundlagen von Data Warehousing und Abgrenzung zu Data Lakes
• Methoden der multidimensionalen Datenmodellierung
• Analyse von Daten mittels OLAP-Techniken wie Slice, Dice und Drill-Down
• Konzepte der Datenvorverarbeitung einschließlich Feature Selection und Umgang mit fehlenden Werten
• Einführung in grundlegende Verfahren des Data Mining
• Methoden des Predictive Modeling, insbesondere Entscheidungsbäume und lineare Modelle
• Bewertung von Modellen anhand von Metriken wie Precision, Recall und ROC-Kurven
• Grundlagen des Text Mining sowie moderner Large Language Models
• Einführung in Deep Learning und neuronale Netze

Der Kurs vermittelt die Grundlagen der Business Intelligence und zeigt, wie Daten systematisch in Entscheidungsgrundlagen überführt werden.

Zu Beginn werden Data Warehouses, Data Lakes und deren Einsatzgebiete behandelt. Darauf aufbauend lernen die Studierenden, Daten in multidimensionalen Modellen (z. B. Star Schema) zu strukturieren und mit OLAP-Techniken zu analysieren.

Ein weiterer Schwerpunkt liegt auf der Datenaufbereitung, einschließlich Datenbereinigung, Transformation und Feature Selection. Anschließend werden zentrale Methoden des Data Mining und Predictive Modeling eingeführt, wie Klassifikation, Regression und Entscheidungsbäume.

Die Bewertung von Modellen erfolgt anhand gängiger Metriken und im Hinblick auf ihren praktischen Nutzen. Ergänzend lernen die Studierenden, Ergebnisse in Form von Dashboards zu visualisieren.

Abschließend gibt der Kurs eine Einführung in Text Mining, Large Language Models und neuronale Netze.

Lernziele

• Verständnis der grundlegenden Konzepte der Business Intelligence und des Prozesses von Daten zu datengetriebenen Entscheidungen
• Fähigkeit, Data Lakes und Data Warehouses zu unterscheiden und geeignete Einsatzszenarien zu bewerten
• Entwurf multidimensionaler Datenmodelle unter Anwendung von Fakten, Dimensionen und Granularität
• Anwendung von OLAP-Techniken zur Durchführung mehrdimensionaler Datenanalysen und Ableitung relevanter Erkenntnisse
• Systematische Datenaufbereitung durch Datenbereinigung, Feature Selection, Transformation und Umgang mit fehlenden Werten
• Auswahl und Einordnung geeigneter Data-Mining-Verfahren je nach Anwendungsfall
• Interpretation grundlegender Predictive-Modeling-Ansätze  sowie Bewertung von Overfitting und Generalisierung
• Bewertung von Modellen anhand zentraler Metriken wie Precision, Recall, ROC und AUC im Kontext realer Entscheidungsprobleme
• Verständnis grundlegender Text-Mining-Verfahren und deren Anwendung auf unstrukturierte Daten
• Einordnung der Funktionsweise von Large Language Models sowie grundlegender Konzepte von Deep Learning und neuronalen Netzen