Controlling: Data Analytics

Im Controlling entsteht der Wert nicht beim Rechnen, sondern dort, wo aus Daten eine belastbare Empfehlung wird. Genau das üben Sie in dieser Lehrveranstaltung, an realistischen Fällen und mit den Werkzeugen, die im Beruf tatsächlich eingesetzt werden.
Sie bearbeiten eine umfangreiche Fallstudie aus dem Controlling-Alltag: die Prognose von Gebrauchtwagen- oder Immobilienpreisen, die Identifikation drohender Zahlungsausfälle, die Vorhersage von Stornierungen oder von Kundenabwanderung. Der Weg führt jedes Mal von der explorativen Datenanalyse über Regression und Klassifikation (Entscheidungsbäume, logistische Regression) bis zur Interpretation und zur Entscheidungsvorlage für das Management.

Gearbeitet wird mit R und dem Tidyverse – kostenlos, reproduzierbar und dort belastbar, wo Excel an seine Grenzen kommt. Programmiervorkenntnisse sind nicht erforderlich; die Grundlagen erarbeiten Sie sich im Kurs.

KI-Assistenz gehört heute zum analytischen Handwerk, also arbeiten Sie damit und liefern als eigene Prüfungsleistung ein KI-Review ab: Sie lassen Ihre Analyse von einem KI-System prüfen, dokumentieren Ihre Prompts und fassen zusammen, was davon trägt und was nicht.

Der Kurs beginnt mit einem ganztägigen Auftakt in Präsenz und führt über fünf synchrone Online-Termine in Methoden und Programmierung ein, bereitet über Lernvideos sowie interaktive Übungen vor und vertieft in gemeinsamer Arbeit am Fall.

Die Fallstudie bearbeiten Sie anschließend in zwei Teilschritten: Nach jedem Abschnitt gibt es ein Coaching, Zum Abschluss präsentieren Sie Ihre Ergebnisse per Video; die überzeugendsten Arbeiten werden bei der Abschlussveranstaltung durch die Autoren vorgestellt.

Die Veranstaltung kann in die Bachelor-Studiengänge Betriebswirtschaftslehre, Digitale Betriebswirtschaftslehre, Wirtschaft und Recht sowie Wirtschaftsinformatik eingebracht werden.

Umfang: 4 SWS (6 ECTS)

Empfohlene Fachliteratur und andere Lernressourcen:

Backhaus, Klaus; Erichson, Bernd; Gensler, Sonja; Weiber, Rolf; Weiber, Thomas (2025): Multivariate Analysemethoden. Eine anwendungsorientierte Einführung. 18. Aufl., Wiesbaden: Springer Gabler.

Chamoni, Peter; Gluchowski, Peter (2017): «Business Analytics — State of the Art.» In: Controlling & Management Review, 61 (2017), 4, S. 8–17. DOI: 10.1007/s12176-017-0030-6.

James, Gareth; Witten, Daniela; Hastie, Trevor; Tibshirani, Robert (2021): An Introduction to Statistical Learning with Applications in R. 2. Aufl., New York: Springer. statlearning.com (Zugriff am 13.09.2026). Kuhn, Max; Silge, Julia (2023): Tidy Modeling with R. Sebastopol, CA: O’Reilly. tmwr.org (Zugriff am 13.09.2026).

Möller, Klaus; Seefried, Johannes; Wirnsperger, Franz (2017): «Wie Controller zu Business-Partnern werden.» In: Controlling & Management Review, 61 (2017), 2, S. 64–67. DOI: 10.1007/s12176-016-0117-5.

O’Neil, Cathy (2017): Weapons of Math Destruction. How Big Data Increases Inequality and Threatens Democracy. London: Penguin.

Rossa, Pascal; Holland, Heinrich (2014): «Big-Data-Marketing — Chancen und Herausforderungen für Unternehmen.» In: Holland, Heinrich (Hrsg.): Digitales Dialogmarketing. Grundlagen, Strategien, Instrumente. Wiesbaden: Springer Fachmedien, S. 249–301. DOI: 10.1007/978-3-658-02541-0_9.

Ruppert, David; Matteson, David S. (2015): Statistics and Data Analysis for Financial Engineering. With R Examples. 2. Aufl., New York: Springer (= Springer Texts in Statistics). DOI: 10.1007/978-1-4939-2614-5.

Schäffer, Utz; Weber, Jürgen (2016): «Die Digitalisierung wird das Controlling radikal verändern.» In: Controlling & Management Review, 60 (2016), 6, S. 6–17. DOI: 10.1007/s12176-016-0093-9.

Schneider, Thomas (Hrsg.) (2025): Digitalisierung und Künstliche Intelligenz. Einsatz durch und im Controlling. 2. Aufl., Wiesbaden: Springer Gabler. DOI: 10.1007/978-3-658-48979-3.

Seefried, Johannes (2017): Kompetenzsteuerung im Controlling. Ein Vorgehensmodell auf Basis des AHP zur Entwicklung der Finance-Business-Partner-Funktion. Berlin: Epubli.

Seiter, Mischa (2023): Business Analytics. Wie Sie Daten für die Steuerung von Unternehmen nutzen. 3. Aufl., München: Vahlen.

Taddy, Matt (2019): Business Data Science. Combining Machine Learning and Economics to Optimize, Automate, and Accelerate Business Decisions. New York: McGraw-Hill Education.

Taddy, Matt u.a. (2023): Modern Business Analytics. Practical Data Science for Decision Making. New York: McGraw-Hill.

Varian, Hal R. (2014): «Big Data: New Tricks for Econometrics.» In: Journal of Economic Perspectives, 28 (2014), 2, S. 3–28. DOI: 10.1257/jep.28.2.3.

Verordnung (EU) 2024/1689 des Europäischen Parlaments und des Rates zur Festlegung harmonisierter Vorschriften für Künstliche Intelligenz (KI-Verordnung).

Wickham, Hadley; Çetinkaya-Rundel, Mine; Grolemund, Garrett (2023): R for Data Science. 2. Aufl., Sebastopol, CA: O’Reilly. r4ds.hadley.nz (Zugriff am 13.09.2026).

Wirth, Rüdiger; Hipp, Jochen (2000): «CRISP-DM: Towards a Standard Process Model for Data Mining.» In: Proceedings of the Fourth International Conference on the Practical Application of Knowledge Discovery and Data Mining, S. 29–39.

World Economic Forum (2025): The Future of Jobs Report 2025. Genf: World Economic Forum. weforum.org/publications/the-future-of-jobs-report-2025 (Zugriff am 13.09.2026).

Zuckarelli, Joachim (2017): Statistik mit R. Eine praxisorientierte Einführung in R. Heidelberg: O’Reilly.

Anmeldung:

Bitte bewerben Sie sich aufgrund begrenzter Teilnehmerkapazitäten mit dem bereitgestellten Anmeldeformular auf der Lehrstuhl-Homepage bis zum 11. Oktober 2026. Im Kurs ist ein eigener Computer zu nutzen, der über eine funktionsfähige Videokamera verfügt.