Data Science & Management Master

Im ersten Modul des Studiengangs beschäftigt ihr euch mit allen Schritten eines Data Science Life Cycles. Ihr erarbeitet euch einen ersten Überblick zur erfolgreichen Implementierung von Data Science in Unternehmen und Durchführung von Projekten. Zudem lernt ihr Rollen, Aufgaben und Perspektiven für Data Science in Unternehmen und Gesellschaft kennen.

• Data Science Prozessmodelle
• Arbeiten in einem Data Science Team
• Überblick Methoden des Machine Learning
• Visualisierung und Kommunikation analytischer Ergebnisse
• Data Science erfolgreich implementieren

Wie bleiben Unternehmen im digitalen Zeitalter erfolgreich? Dieses Modul vermittelt die Grundlagen moderner Digitalstrategien – von der Analyse digitaler Geschäftsmodelle bis zur Umsetzung einer klaren Roadmap. Studierende entwickeln eigene Visionen, lernen praxisnahe Tools kennen und wenden strategische Methoden direkt auf reale Szenarien an. Eine Kombination aus Online-Lernen, interaktiven Übungen und einer Präsenzphase sorgt für den direkten Transfer in die Praxis.

• Digitale Transformation gestalten – Veränderungen aktiv steuern und Chancen nutzen
• Plattformökonomie verstehen – Geschäftsmodelle im digitalen Netzwerkzeitalter analysieren
• Strategieentwicklung anwenden – Von der Vision bis zum operativen Maßnahmenplan
• Innovationsinitiativen umsetzen – Neue Ideen erfolgreich im Unternehmen verankern
• Digitaler Reifegrad messen – Stärken und Schwächen der digitalen Aufstellung erkennen

Ihr lernt die Tools aus der Software-Entwicklung kennen, die euch helfen, Data-Science-Projekte technisch umzusetzen. Ihr arbeitet mit Programmcodes, könnt sie testen und unter Versionskontrolle verwalten.

• Testen und Evaluieren von Software, Daten und Analyse-Projekten (Unit-Test, Integrationstests, Benchmarking)
• Dokumentation von Software und Daten in Sphinx
• Einführung in die Arbeit mit Rest-APIs
• Web-Scraping

Daten sind das neue Gold – und in diesem Modul lernen Studierende, wie man es erfolgreich schürft. Sie erfahren, wie Data Analytics als strategisches Werkzeug eingesetzt wird, um komplexe, datengetriebene Entscheidungen zu unterstützen. Von der Planung bis zur Umsetzung kompletter Data-Analytics-Projekte – inklusive modernster Machine-Learning-Verfahren – werden Theorie und Praxis konsequent verknüpft. Praxisnahe Fallstudien, Tools aus der Industrie und aktuelle Methoden sorgen dafür, dass die Teilnehmenden Daten nicht nur auswerten, sondern daraus echten Mehrwert schaffen.

• Strategische Entscheidungsunterstützung durch Daten – datengetriebene Geschäftsprozesse optimieren
• CRISP-DM-Projektplanung – strukturierte Umsetzung von Data-Mining-Projekten
• Modernes Machine Learning einsetzen – Gradient Boosting, Deep Learning, Ensemble-Methoden
• Modellqualität gezielt prüfen – Performance, Robustheit und Generalisierbarkeit bewerten
• Zeitreihenanalyse meistern – Prognosen mit Prophet, N-Beats & klassischen Verfahren
• Anomalieerkennung & Recommender-Systeme – von Betrugserkennung bis Produktempfehlungen
• AutoML & Pipeline-Orchestrierung – Automatisierung mit Optuna, Kubeflow und Spark MLlib
• Ethische Verantwortung im Umgang mit Daten – Datenschutz, Bias-Reduktion und faire KI

• Einführung in Data Governance und Data Management
• Elemente und Frameworks der Data Governance
• Datenarchitekturen, Datenmodellierung und -design
• Data Lifecycle Management im unternehmerischen Umfeld
• Datentypen und Schlüsseltechnologien für die Datenverarbeitung und -speicherung (Data Lake, Data Warehouse, Data Mesh, etc.)
• Entwicklung von Datenstrategien für Unternehmen
• Bedeutung von Data Stewardship und Data Ownership
• Data Catalogues und Metadatenmanagement
• Datenqualität und Datenintegrität
• Stammdatenmanagement (Master Data Management)

• Definition von Machine Learning
• Übersicht über die Klassifikationsmodelle
• Anwendungen im geschäftlichen Umfeld
• Projektorganisation und Vorgehen
• Leistungsbewertung der Modelle und Algorithmen
• Kennwerte, Metriken und grafische Methoden
• Probleme der Modellanpassung, Bias-Variance-Tradeoff
• Transformationen und Feature Engineering
• Bereitstellung von Trainingsdaten
• Frameworks
• Anwendung ausgewählter Methoden, insbesondere neuronale Netze

Führen im digitalen Zeitalter erfordert mehr als nur klassische Managementfähigkeiten. In diesem Modul lernen Studierende, wie Leadership im Kontext von Digitalisierung, virtuellen Teams und agilen Strukturen neu gedacht wird. Sie setzen sich mit modernen Führungstheorien auseinander, entwickeln ein zukunftsorientiertes Mindset und trainieren den Einsatz von Methoden, die sowohl technologische als auch menschliche Faktoren berücksichtigen. Praxisnahe Übungen und Fallstudien zeigen, wie man Teams inspiriert, Innovation fördert und den Wandel aktiv gestaltet.

• Leadership im digitalen Kontext – moderne Führungsansätze verstehen und anwenden
• Virtuelle Teams erfolgreich steuern – Tools und Methoden für effektive Zusammenarbeit
• Agile Führung umsetzen – Teams flexibel und zielorientiert führen
• Emotionale Intelligenz nutzen – Beziehungen stärken und Motivation fördern
• Change Leadership – Wandel gestalten und Innovation antreiben

Vertiefe dich gerne jetzt schon in die Inhalte der Schwerpunkte. Die Beschreibung findest du weiter unten.

Dieses Modul bringt Machine Learning aus dem Labor in die Praxis. Studierende lernen, wie sich ML-Modelle produktiv einsetzen, automatisieren und überwachen lassen – von der Modellentwicklung über das Deployment bis hin zu Monitoring und kontinuierlicher Verbesserung. Typische Herausforderungen wie Modell-Drift oder Daten-Drift werden praxisnah behandelt, ebenso wie die Umsetzung skalierbarer und reproduzierbarer ML-Pipelines. Der Fokus liegt auf MLOps-Best-Practices, Governance und einer verantwortungsvollen Nutzung.

• MLOps in der Praxis – Lifecycle-Management für ML-Modelle
• Automatisierte ML-Pipelines – von Training bis Deployment
• Modell- und Daten-Drift erkennen – Monitoring und Qualitätskontrolle
• Reproduzierbarkeit & Skalierbarkeit – stabile ML-Systeme entwickeln
• Governance & Verantwortung – ethische und regulatorische Aspekte im ML-Betrieb

Um die Komplexität von Data Science Projekten und in der Software- Entwicklung zu meistern, lernt ihr agiles Projektmanagement kennen. Dazu beschäftigt ihr euch insbesondere mit den agilen Werten und Prinzipien und lernt verschiedene Methoden und Tools dafür kennen. Außerdem werden auch hybride Ansätze und Einsatzszenarien diskutiert.

• Agile Werte und Prinzipien
• Agile Methoden & Tools
• Scrum, Kanban
• Controlling und Qualitätsmanagement
• Hybrides Projektmanagement

Jährlich werden unterschiedliche Themen angeboten, mit denen du dein Kompetenzprofil schärfen kannst. Das Modul und die Inhalte wählst du nach deinen Interessen aus. Einen Auszug (Angebot variiert) findest du hier:

• Visual Communication
• Einführung Künstliche Intelligenz (nicht kombinierbar mit Schwerpunkt IV Artificial Intelligence)
• Design Thinking Methods: Product Development & Service Design
• Cyberforensik
• Prompt Engineering & GenAI

Ihr lernt kompetent die zielführenden Methoden für eure Forschungsprojekte auszuwählen. Für quantitative wie qualitative Forschungsmethoden entwickelt ihr ein fundiertes Verständnis und kennt die gängigen Analysemethoden. Ihr seid so in der Lage, Forschungsprojekte nicht nur zu konzipieren und umzusetzen, sondern auch Studienergebnisse kritisch zu reflektieren.

In dem Modul lernt ihr die objektorientierte Programmierung im Kontext verschiedener Programmierparadigmen kennen. Ihr könnt mit verfügbaren Klassenbibliotheken arbeiten und eigene Bibliotheken anlegen.

• Objektorientierte Programmierung
• Prozedurale & funktionale Programmierung
• Modellierung von Software in UML

Vertiefe dich gerne jetzt schon in die Inhalte der Schwerpunkte. Die Beschreibung findest du weiter unten.

Vertiefe dich gerne jetzt schon in die Inhalte der Schwerpunkte. Die Beschreibung findest du weiter unten.

Das Modul unterstützt euch beim Schreiben eurer Masterarbeit. Hier diskutiert ihr das theoretische und methodische Vorgehen bei der Bearbeitung einer wissenschaftlichen Fragestellung und lernt, wie ihr komplexe fachliche Lösungen wissenschaftlich argumentativ vertretet.

• Fachliche Orientierung an den Themen der Abschlussarbeiten
• Wissenschaftlicher Forschungsprozess
• Wissenschaftliche Literaturrecherche zum Themenschwerpunkt
• Argumentation und Interpretation von Studienergebnissen
• Zielgruppenspezifische Präsentation von Studienergebnissen mit digitalen Medien

Du hast das Studium (fast) abgeschlossen. Jetzt geht’s darum, eine Abschlussarbeit zu einem von dir gewählten Thema zu verfassen. Deine Professor:innen helfen dir dabei, ein Thema zu formulieren, oder du bearbeitet ein von uns vorgeschlagenes Thema.