Advanced methods of management research XI - Cheatsheet

Grundlagen der Datenanalyse und -interpretation

Definition:

Grundlagen der Datenanalyse und -interpretation: Basiskenntnisse zur Extraktion, Verarbeitung und Auswertung von Daten, um fundierte Entscheidungen zu treffen und Hypothesen zu testen. Fokus liegt auf statistischen Methoden und ihrer Anwendung in der Managementforschung.

Details:

• Datenaufbereitung: Bereinigung, Normalisierung, Transformation
• Deskriptive Statistik: Mittelwert, Median, Modus, Standardabweichung
• Explorative Datenanalyse (EDA): Visualisierungstechniken (z.B. Histogramme, Boxplots)
• Inferentielle Statistik: Hypothesentests (z.B. t-Test, Chi-Quadrat-Test)
• Regressionsanalyse: Linear, Logistisch
• Software-Tools: R, Python, SPSS
• Interpretation und Präsentation der Ergebnisse
• Ethische Aspekte der Datennutzung

Big Data und maschinelles Lernen in der Geschäftsumgebung

Definition:

Verwendung großer Datenmengen und Algorithmen, um Geschäftsprobleme zu lösen und Prozesse zu optimieren.

Details:

• Big Data: Verarbeitung und Analyse großer, komplexer Datensätze mit hoher Geschwindigkeit (Volume, Variety, Velocity).
• Maschinelles Lernen: Anwendung von Algorithmen, die aus Daten lernen und Vorhersagen treffen.
• Nutzungen:
• Kundenverhalten analysieren
• Markttrends identifizieren
• Effizienzsteigerung durch Automatisierung
• Herausforderungen: Datenschutz, Datenqualität, technische Infrastruktur.
• Beispielalgorithmen: Regressionsanalyse, Entscheidungsbäume, neuronale Netze.

Prinzipien der Circular Economy

Definition:

Konzepte und Strategien zur Schaffung eines geschlossenen Materialkreislaufs in der Wirtschaft

Details:

• Abfallreduktion und effiziente Ressourcennutzung
• Produktdesign für Langlebigkeit, Reparaturfähigkeit und Wiederverwertbarkeit
• Nutzungsintensivierung durch Sharing-Modelle, Leasing und Produkt-as-a-Service
• Recycling und Wiederverwertung von Materialien
• Regenerative Ansätze zur Schonung natürlicher Ressourcen
• Geschlossene Kreisläufe durch Rücknahme- und Rezyklingsysteme

Iterative und inkrementelle Entwicklung

Definition:

Iterative und inkrementelle Entwicklung: Kombination von iterativen und inkrementellen Prozessen zur kontinuierlichen Verbesserung eines Produkts. Ziel: Frühes Feedback und Anpassungsfähigkeit.

Details:

• Iterationen: Wiederholte Zyklen der Entwicklung und Verbesserungen.
• Inkremente: Kleine, nutzbare Teile des Produkts, die schrittweise geliefert werden.
• Vorteile: Frühzeitige Problemidentifikation, flexible Anpassung an Änderungen, stetiger Fortschritt.
• Wichtig: Planung, Überprüfung und Anpassung in jedem Zyklus.
• Beispiele: Scrum, Extreme Programming (XP).

Kundeneinbindung und schnelles Feedback

Definition:

Integration von Kunden in den Entwicklungsprozess und schnelle Rückmeldung zur Verbesserung von Produkten/Dienstleistungen - zentrale Bedeutung für Iterationen und Marktorientierung.

Details:

• Ermöglicht frühzeitige Identifikation und Korrektur von Problemen.
• Fördert Kundenbindung und -zufriedenheit.
• Verwendete Methoden: Umfragen, Interviews, Testprodukte, Online-Feedback.
• Wichtig in agilen und iterativen Entwicklungsmodellen.

Erstellung und Nutzung von Business-Model-Canvas

Definition:

Erstellung und Nutzung eines visuellen Templates zur Analyse und Planung von Geschäftsmodellen. Essenziell für die strukturierte Entwicklung von Business-Ideen.

Details:

• Segmente: Schlüsselpartner, Schlüsselaktivitäten, Schlüsselressourcen, Wertangebote, Kundenbeziehungen, Kanäle, Kundensegmente, Kostenstruktur, Einnahmequellen
• Visuelles Tool, um Unternehmensstrategie und -struktur auf einer Seite darzustellen
• Nützlich für Startups und etablierte Unternehmen
• Stärkt Teamkommunikation und Innovationsprozesse
• Hilft Schwachstellen und Chancen zu identifizieren

Werkzeuge und Methoden des modellbasierten Systemengineerings

Definition:

Werkzeuge und Methoden des modellbasierten Systemengineerings (MBSE) sind zentral beim Entwurf, der Analyse und der Verifikation komplexer Systeme durch den Einsatz von Modellierungsansätzen und Simulationen.

Details:

• MBSE unterstützt die Integration und den Informationsaustausch zwischen verschiedenen Disziplinen.
• Verwendet strukturelle (z.B. Blockdiagramme) und verhaltensbezogene (z.B. Zustandsdiagramme) Modelle.
• Werkzeuge: SysML (Systems Modeling Language), UML (Unified Modeling Language), MATLAB/Simulink.
• Fokussiert auf die Verbesserung der Effizienz und Reduzierung von Entwicklungsfehlern.
• Ermöglicht frühe Validierung und Verifikation durch Simulationen.

Simulations- und Modellierungstechniken

Definition:

Techniken zur Nachbildung und Untersuchung komplexer Systeme durch Modelle und Softwaresimulationen.

Details:

• Ziel: Verständnis, Vorhersage und Optimierung realer Systeme.
• Modelle: Vereinfachte Darstellungen realer Systeme.
• Simulationen: Verwendung von Computermodellen zur Analyse dynamischer Prozesse.
• Methoden: Diskrete-Ereignissimulation, Systemdynamik, Monte-Carlo-Simulation.
• Diskrete-Ereignissimulation (DES): Modellierung diskreter Ereignisse in zeitlicher Abfolge.
• Systemdynamik: Verwendung von Differentialgleichungen zur Modellierung kontinuierlicher Prozesse.
• Monte-Carlo-Simulation: Zufallsbasierte Methode zur Lösung quantitativer Probleme.
• Anwendungsfelder: Produktion, Logistik, Finanzmärkte, Gesundheitswesen.
• Wichtige Größen: Eingangsvariablen, Zustandsvariablen, Ausgangsvariablen.
• Gängige Software: AnyLogic, Arena, Simul8, Vensim.