Tobias Schlüter an der TH Köln

SAP on AgenticAI and Business AI

Wed, 17 Dec 2025 10:02:42 GMT

Bekir Ardics Gastvortrag zu aktuellen KI Entwicklungen an der TH Köln

Wow – was für ein Jahresausklang für unsere hashtag#Masterstudierenden! ��

In dieser Woche hat Bekir Ardic eindrucksvoll gezeigt, welchen Mehrwert hashtag#BusinessAI bereits heute in Unternehmen stiftet – und welche tiefgreifenden Veränderungen in den kommenden Jahren bevorstehen.

Eines ist klar: hashtag#GenAI und hashtag#Chatbots sind längst keine Zukunftsmusik mehr, sondern (hoffentlich) bereits fester Bestandteil vieler Organisationen.

hashtag#AgenticAI hat 2025 geprägt und wird Unternehmen darüber hinaus noch lange begleiten. Besonders spannend: Bekirs Blick auf die nächsten hashtag#Evolutionsstufen von AI, die sich heute bereits abzeichnen und 2026/27 in der Praxis ankommen werden.

Das Besondere an dieser Guest Lecture: Es war keine klassische Vorlesung. Stattdessen gewährte Bekir unseren Studierenden hashtag#exklusive hashtag#Einblicke in aktuelle hashtag#Tools und hashtag#Services, an denen SAP derzeit arbeitet – und machte so die KI-hashtag#Transformation greifbar, konkret und praxisnah.

Ein kleines hashtag#Highlight am Rande: Aus den geplanten 30 Minuten wurden durch intensive Fragen und Diskussionen fast hashtag#drei hashtag#Stunden. Ein besseres Feedback können Studierende kaum geben und ihr Interesse zeigen.

Lieber Bekir, vielen Dank für diesen hochaktuellen, relevanten und inspirierenden Einblick in die AI-Fragestellungen und Innovationen, die Unternehmen heute und morgen bewegen.

Ein ebenso großes Dankeschön an Christina Lehmann und Christian Klein, die solche praxisnahen Einblicke für die Lehre und hashtag#Ausbildung unserer Studierenden in hashtag#Köln möglich machen.

Analytics @ SSKD

Wed, 29 May 2024 08:02:14 GMT

Wie werden #Analytics & #AI -Einheiten #erfolgreich ?

�� Erfolgreicher Start unserer neuen Reihe " #TandemTalks @ #THKöln "!

Die Experten Dr. Johannes Gerlach , Pascal Frick und Vladislav Stoev der Stadtsparkasse Düsseldorf zeigten unseren neuen Master-Studierenden genau das: wertvolle Einblicke in die #Erfolgsfaktoren und #BestPractices erfolgreicher

#Datenanalytik -Teams.

Ganz praxisnah gaben sie Tipps und verrieten Tricks zur Entwicklung und Implementierung von Use Cases.

Der Talk bot zahlreiche Anknüpfungspunkte für unsere Studierenden, die gerade selbst analytische Modelle lernen. Johannes hob hervor, worauf es neben #Algorithmen , #Daten und #KI in erfolgreichen Teams wirklich ankommt.

Ein besonderes #Highlight : Vladislav, der gerade seinen Master an der TH Köln erfolgreich abgeschlossen hat, durfte dieses Mal die Perspektive wechseln. Er stand vor den Studierenden und zeigte, welche Schwerpunkte er in seinem Studium gesetzt hat und wie er den Übergang zur Praxis bei der SSKD gemeistert hat.

Vielen Dank an alle Beteiligten für diesen gelungenen Auftakt! Wir freuen uns auf weitere spannende Veranstaltungen.

DHL @ TH Köln

Mon, 15 Jan 2024 15:14:40 GMT

This is a subtitle for your new post

Welcher Mitarbeiter kündigt als nächstes?
- Wie People Analytics den Recruitingbedarf frühzeitig erkennt

"Wie können wir vorhersagen, welcher Mitarbeiter als nächstes kündigen wird?" - Eine scheinbar einfache Frage, die meine Studierenden im Mastermodul #DataAnalytics dieses Wintersemester tiefgehend erforscht haben. Durch �� Datenexploration, effektive ��️ Visualisierungstechniken und den Einsatz vielfältiger �� Vorhersage- und Segmentierungsmodelle haben sie gelernt, dass datenbasierte Analysen oft zuverlässigere Ergebnisse liefern als bloße Intuition.

Ein Highlight des Semesters war der heutige #Vortrag von Christian Richter und Alexander Gerhardts , Experten im Bereich ��‍�� #PeopleAnalytics bei der DHL Group.

Sie gaben faszinierende Einblicke, wie dieser spezifische Use Case in der Praxis bei einem der weltweit führenden #Logistikkonzerne umgesetzt wird. Alexander erläuterte eindrucksvoll, wie #DataEngineers Daten für Vorhersagemodelle aufbereiten. Christian verdeutlichte anschließend, wie DHL �� #Turnover Forecasts nutzt, um den #Personalbedarf frühzeitig und präzise zu identifizieren.

Ein inspirierender Tag, der die Brücke zwischen akademischem Lernen und realer Anwendung von Data Analytics schlug!

REWE Analytics @ TH Köln

Tue, 12 Dec 2023 12:24:05 GMT

Spannende Einblicke in die Welt der Datenanalytik: Analytics @ REWE!

�� Für unsere Masterstudierenden im Fach "Data Analytics" an der TH Köln war es ein besonderer Tag: Michael Dornauf, Dr. Axel Buddendiek und Dr. Martin Baumgärtner von REWE Analytics gaben faszinierende Einblicke in ihre tägliche Arbeit.

�� Als einer der größten Handelskonzerne Europas mit Sitz in Köln, zeigte REWE die immense Bandbreite der Anwendungsmöglichkeiten moderner Datenanalytik auf. Von der Verfeinerung der Kundenansprache durch Advanced Personalization bis hin zur Optimierung von Marketingbudgets durch SEO und SEA – unsere Studierenden sahen, wie ihre Kenntnisse zu Predictive Analytics Modellen in der Praxis umgesetzt werden.

�� Besonders inspirierend war Michaels Darstellung der dynamischen und positiven Arbeitskultur bei REWE Analytics. Die Einheit, die in den letzten Jahren ein starkes Wachstum erlebt hat, steht weiterhin auf Expansionskurs und zeigt, wie zentral Datenanalyse für den Erfolg des Unternehmens ist.

�� Dieser Praxisvortrag war nicht nur ein Augenöffner dafür, wie Datenanalytik in einem großen Unternehmen wie REWE eingesetzt wird, sondern bot auch zahlreiche Anknüpfungspunkte für unsere Studierenden, sich weiter in diesem spannenden Feld zu spezialisieren.

#DataAnalytics #REWE #THKöln #RealWorldLearning #DataScience

Data Science - Interview mit den Studierenden der TH Köln

Fri, 02 Jun 2023 12:17:20 GMT

DATA STORIES | JOB MARKET ANALYTICS | KNIME ANALYTICS PLATFORM

Job Market Analytics: Findings from the Data Science for Business Challenge at TH Köln

My Data Guest — An Interview with TH Köln Challenge Winners

The interview appeared originally in: https://medium.com/low-code-for-advanced-data-science/job-market-analytics-findings-from-the-data-science-for-business-challenge-at-th-k%C3%B6ln-671050501818

---

In this new episode of My Data Guest, we are leading a discussion with Prof. Dr. Tobias Schlüter and his group of students who won the 1st Place in the Data Science for Business Challenge “Finance & HR” with KNIME in Fall 2022.

This initiative was jointly organized by KNIME and Prof. Dr. Tobias Schlüter within the Data Science for Business lecture at the Technische Hochschule of Cologne, Germany. Additionally, the challenge benefited from the collaboration and practical support of players in the industry, such as ParcIT, PWC, and KDU.

In the Data Science for Business Challenge “Finance & HR”, which started in October 2022, 7 teams worked on different issues of risk, pricing, social media and job market analytics.

The best two teams developed solutions in “Job Market Analytics”, where they analyzed the German job market for data science professionals and chose quite different approaches to achieve their goals. After scraping the web, they got around 20,000 job advertisements in Germany in areas such as data science, data analytics and business intelligence. Then, they moved on to KNIME Analytics Platform and performed various tasks like text mining, information retrieval on demanded skills, and finally data exploration and geospatial analysis in order to present the profiles of well suited applicants for the job offers.

Our Guests

Prof. Dr. Tobias Schlüter is Professor at TH Köln in the Faculty of Business, Economics and Law. His teaching disciplines include data science for business, and applied analytics in banking while his research concentrates on analytics and data science for business and pricing for financial institutions.

The two teams, whose projects got the 1st place in this challenge are all Master students at TH Köln, are composed of Margarethe Groos, Hanna Siebdrat and Julia Hummel (Team 1); and Markus K. Bünnemeyer and Emma Wissmann* (Team 2).

*Editor’s note: Emma Wissmann was unable to join the episode.

Roberto: For this episode, my co-interviewer is Stefan Helfrich. Hi Stefan, would you like to tell us what your role at KNIME is?

Stefan: Sure! I am responsible for the Educators Alliance here at KNIME, our academic program with which we support educators and researchers in their work. That is, I work a lot with professors and educators on a daily basis to help them use KNIME in their courses.

Roberto: Let’s now introduce our guests, get insights into the analysis they conducted, the tools and methodologies used and what they learned throughout this challenge. We hope that other students and aspiring data professionals will find some source of inspiration and motivation in your story.

Stefan: Welcome Prof. Tobias Schlüter; Margarethe, Julia, Hanna from Team 1; and Markus from Team 2. Congratulations on the 1st place, guys!

Roberto: You are all Master students at the Technische Hochschule of Cologne, Germany. Can you tell us a bit more about yourselves and your program?

Markus: First of all, thanks for having us today! I’ve studied Mathematics and Physics as well as Clothing Management in my two bachelor’s degrees. I decided to enroll in the master’s program at TH Köln because I wanted to go deeper into the field of Economics.

Margarethe: I completed my bachelor’s degree in International HR Management, and after that I wanted to gain a broader understanding of Business Management in general. I chose the master’s program in Cologne because it has mandatory classes in taxation, marketing, and accounting. Additionally, there are many electives, such as “Data Science for Business” so students can decide where to place the focus of their studies or simply try different things.

Julia: I also completed a bachelor’s degree in HR and wanted to do a master’s degree at TH Köln to expand my knowledge in the field of Management. As part of our master’s, I decided to take electives such as “Digital Transformation” and “Data Science for Business” to specialize in this field.

Hanna: My bachelor’s degree is in Tourism Management. Just like the others, I wanted to broaden my knowledge in business-related subjects. Even though the master’s degree consists of a lot of general business courses, the majority of them have a strong focus on business leadership. I find that very helpful and interesting.

Roberto: For the non-German speakers in the audience, the name of your master’s program translates into English roughly as “Market-oriented Business Administration”. In recent years, we have witnessed a boom of university curricula at the intersection between data analytics and other domains. What made you decide to take “Data Science for Business” as an elective to combine data analytics with the core subjects in your degree?

Markus: I have a very rational way of thinking and for many decisions, data is a way better basis than to trust one’s gut. To get clear and meaningful information from data, you have to analyze it. I wanted to be able to analyze data by myself, for example, if I have to challenge analyses from other people.

Margarethe: It is interesting what stories data can tell. Learning how to handle data, work with it and use it to make good decisions seemed like a really good addition to my skill set.

Julia: The analysis of data can be used in all areas of a company and provide excellent opportunities to make better decisions. I am also very interested in this area with regard to the ever-growing job possibilities for experts in data analytics and data science.

Hanna: Data has become a major resource for businesses, playing a prominent role in the success of a company. Therefore, being able to handle and work with data is a key competence in the business environment. It’s very helpful to broaden that knowledge already as a part of the study curriculum.

Stefan: How are the knowledge and skills that you are learning being blended in the courses of your degree program?

Hanna: In the elective courses, we learned a lot about the basics and possible applications with data. We saw how data can be used for business intelligence tasks, where it helps businesses make informed decisions. In addition to that, by using machine learning methods we can identify patterns and predict future events, helping identify opportunities for businesses to grow. Just by learning all of these, we implemented projects both in the basic and advanced data science courses.

Stefan: How did your teams come across KNIME Analytics Platform and what was your initial impression of the software?

Markus: The first contact with KNIME Analytics Platform for all of us was in the first semester of our master’s program, during the lecture “Data Analytics” by Prof. Schlüter. I hope I speak for all of us when I say that we were glad we didn’t have to learn how to code. In that lecture, Prof. Schlüter prepared a use case that allowed us to get results quickly. For me, it was very motivating to get these quick results without having to code or deal with big, messy tables. It was enough to drag & drop and connect some nodes.

Stefan: Let’s now talk a bit about the Data Science for Business Challenge “Finance & HR” with KNIME. First of all, were there any specific requirements in terms of sub-industry or analytics area?

Markus (Team 2): Both teams worked on the same project called “Job Market Analytics: Which skills should applicants have?”. The goal was to analyze online job advertisements in Germany to get information about the needed skill set. We focused on job ads in the field of data science, data analytics and business intelligence without limitations to a specific industry. Indeed, our side goal was to compare how those skill sets may differ across different industries. In the way we analyzed the data, we were more or less flexible.

Hanna (Team 1): As Markus already said, both teams worked on the same project, therefore our team had the same requirements and objectives. Using KNIME for data analysis was also a requirement. However, how to actually get the data was not defined. We ended up implementing different approaches for data collection.

Stefan: In the challenge, both top teams analyzed the German job market using a data-driven approach with KNIME Analytics Platform. Can you tell us more about the specific approach of your team and the techniques you used to analyze the job ads and identify the best candidates for the job offers?

Margarethe (Team 1): Usually, you only find a certain number of job offers when you are looking for a job. Analyzing more than 20.000 job ads, we aimed to provide an overview and orientation for job seekers in the field of data science and data analytics. From each job ad, we scraped a broad range of information, such as job title, company, location, and job description, which listed the required qualification and skills. For web scraping, we wrote a Python script and stored the data in an Excel sheet. Next, we imported the Excel file in KNIME for further analysis. We analyzed specific skill frequencies in order to make a statement on the importance of each information. In this way, candidates can assess their chances of getting a job based on their qualifications and skills, the regions in Germany, companies or industry/sectors. Our workflow also gives suggestions on how to improve the candidate’s profile to become even more attractive for employers. For example, candidates could get insights into whether it would be worth it to invest in further education, to move to a different region, or which companies to apply to.

Markus (Team 2): Our team also used Python to scrape data. In comparison to Team 1, our code was just getting overview pages after searching for terms, such as “data science” and “data analytics”. After getting the overview pages, we used KNIME to extract all necessary data. We used KNIME nodes to read in HTML blocks from single job ads, to separate the relevant parts of the HTML blocks and convert them into structured data. Like the other team, we analyzed the structured data to be able to say something about the skills needed and the regions in Germany with a high demand for data scientists. To this end, we analyzed all job ads together, and drew comparisons between industries and hierarchical levels.

Roberto: (For Team 1) How did you come up with the hypotheses that you tested out and how did KNIME Analytics Platform help you test these hypotheses?

Margarethe: We designed our project taking the job seeker’s perspective. Hence, we decided to analyze four categories: qualification, skills, company and location. In doing so, we relied on the findings of the literature research on qualification and skills, which were mostly collected in the US. This showed that there was an urgent need for analyses beyond the American market. We were very motivated to do that for the German market, and ended up testing eight hypotheses to find answers to 24 questions in total. KNIME helped us by providing us with a low-code end-to-end tool for our analysis. Additionally, its visual programming paradigm made it easier to focus on building workflow branches that we used to test in parallel different hypotheses.

We analyzed the frequency of the four categories and tested the hypotheses applying certain filters. For example, we conducted a test to compare the skill set of employees without managing responsibilities to that of managers. Furthermore, we used a node to create a heatmap that visualized what regions or cities had a high number of job offers published. The visualized outcome turned out to be very informative.

Roberto: (For Team 2) When answering the question of ‘What makes a data scientist?’, what assumptions did you make for your project, and how were they developed?

Markus: Firstly, we searched the literature that dealt with this question. In most cases, the results were very similar. Sometimes, however, they contradicted each other with respect to which programming language was most frequently required. Based on these studies, we came up with four hypotheses.

The first hypothesis stated that “data scientists are expected to have fewer social skills but mainly technical skills”. The second one stated that “data scientists are only sought in metropolitan areas in Germany”. The third one stated that “the higher the hierarchical level of the position, the more social skills come to the fore”. And the last one stated that “Python dominates the technical requirements”.

Roberto: (For both teams) Based on your analyses of the job market, were the outcomes expected or surprising?

Markus (Team 2): Out of the four hypotheses we tested, we could only confirm one of them, namely that “data scientists are expected to have fewer social skills but mainly technical skills”. Contrary to our expectations, the requirements for social skills do not increase with increasing hierarchical level. Rather, it seems to be strongly desirable across all levels. Furthermore, it was interesting to observe that companies do not search for data scientists just in metropolitan areas but also in rural areas. Also, we thought that Python would be the most dominating requirement, but that was not the case. There was not a single technical skill that dominated the requested skill set across every position. Other exciting findings were that English skills and initial experience in data science were especially important to employers. It surprised us that it was not a degree in computer science but a degree with a business background that was most frequently requested.

Julia (Team 1): Our results were also quite surprising. We found out, for example, that professional experience played a far more prominent role than a formal degree. A master’s degree is not necessarily required. In terms of skills, we found out that soft skills are much more important than hard skills or the ability to use a specific software. The reason is that hard skills can be learned on the job, whereas soft skills tend to be more a natural trait. This is particularly the case in management positions, where excellent soft skills are even more frequently required.

Stefan: Can you tell us about a specific feature, node or component in KNIME Analytics Platform that was particularly helpful during the Challenge?

Margarethe (Team 1): The KNIME filters were very useful. The Column Filter and the Row Filter are basic nodes but they always come in handy. Another key node was the String Manipulation node. Without it our workflow and results wouldn’t have been equally clear. Especially for the analysis of the location, the String Manipulation node was essential because cities were often spelled differently using abbreviations, or the delimiter was different. With the String Manipulation node, we normalized strings by setting a standard delimiter and defining one standard way of spelling a city. Likewise, the GroupBy node was key to aggregate and display results.

Markus (Team 2): There are a few nodes that have been very helpful for us. First of all, the Cell Splitter node. To parse the HTML blocks of the job ads, we split the code into individual parts that were separated by specific tags. Secondly, the Table Writer and Table Reader nodes. We had to handle more than 20,000 job ads –a very large dataset. Since we worked with our private laptops, we had limited RAM resources. To cope with it, we saved the interim results using the Table Writer node, reset the workflow and reloaded the saved interim results back into the workflow with the Table Reader node.

Stefan: How did your teams divide up the tasks and responsibilities for the “Finance & HR” Challenge with respect to your prior knowledge? And how did you ensure that everyone’s strengths were utilized?

Markus (Team 2): We tackled the challenge as a team of two students. Emma is very good at researching and presenting concepts, so she mainly took care of the background research and presentations. She is also very good at focusing on the goals without getting side-tracked. On the other hand, I am a very analytical person and I can keep a cool head even in complex tasks. So I was responsible particularly for setting up the workflow. The combination of our skill sets took care of the results.

Julia (Team 1): In our team, none of us already had extensive knowledge of data science. As a result of it, we worked together a lot, especially at the beginning of the project in order to benefit from the mutual exchange. Towards the end, we divided the analytical tasks to investigate the four major categories of our hypotheses. Hanna was responsible for the analysis and interpretation of work experience and academic background, Margarethe for the location and I for the analysis of skills.

Roberto: Can you tell us about the most challenging aspect of the Challenge and how your team overcame it?

Markus (Team 2): For me personally, the most challenging aspect was not to get lost in details. So Emma regularly had to remind me to keep the focus on achieving the goal.

Julia (Team 1): During the project, Hanna, Margarethe and I each lived in different countries and also in different time zones. In addition, unlike our fellow students, we also had completely different schedules. Of course, this also caused organizational difficulties. Within the project, the beginning was quite difficult for us. We had no idea about the topic at all and had to try many different approaches to collect the data we needed. That took a lot of time and effort.

Margarethe (Team 1): I can add that we split the workload into smaller tasks so everybody tested different hypotheses, like Julia described earlier. Due to our schedules, there were not many options to work on the workflow at the same time. As the project slowly came together, we realized that there was room for efficiency improvements. Therefore, at the end we had to put in some extra work to make the workflow more efficient.

Hanna (Team 1): We also had some technical issues to make our code portable. On some laptops our Python code worked, but that very same code would not work anymore on a different laptop. We spent a lot of time deleting and installing dependencies and packages to create the same “technical starting point”.

Roberto: What was the most rewarding aspect of the challenge?

Markus (Team 2): The most rewarding aspect was the steep learning curve because the challenge was part of a lecture. I think it’s just natural for us, as students, to honor what we’ve learned.

Margarethe (Team 1): Also for me, it was the steep learning curve.

Julia (Team 1): I agree with my fellow students. We really learned a lot in the project: from coding in Python, to the ups and downs of a long-term project, and the importance of teamwork in challenging tasks.

Hanna (Team 1): I can only agree with that –very steep learning curve!

Stefan: Let’s now turn the table and take the educator’s perspective. How did you come up with the idea of a student challenge? Did you start with a theoretical framework and adapted the project requirement accordingly? Or did you start from the data?

Prof. Schlüter: I came up with this project thanks to the experience shared by Prof. Francisco Villarroel from the LUISS University in Rome, who organized such a challenge with KNIME in the past. I thought that it would have been a great idea to create a similar experience at a German university. I contacted the KNIME Educators Alliance and we discussed if we could set up such a challenge at TH Köln. I really liked the concept because it gamifies data science teaching.

I set up various cases in different industries and sectors. For example, with PWC we asked ourselves: “Should the insurance price of electric vehicles be different from non-electric vehicles?”. Or, together with parcIT, we analyzed the behavior of bank customers. In general, the search for industrial partners in Cologne was fairly easy. Many companies were interested in getting in contact with students, letting them analyze a “real question” and getting to know them over 4 months. Together, we analyzed the business question and asked ourselves: “Can students answer that business question in 4 months?”. Based on this, we aligned the project focus and process of each use case. The data came after.

Stefan: Would you recommend adopting elements of gamification in the learning/teaching process to fellow educators?

Prof. Schlüter: Definitely! I think that the gamification of data science is a brilliant idea to encourage students to have a very steep learning curve. In my professorship, I have long asked myself how I can bring data science closer.

Statistics, mathematics or quantitative methods aren’t usually the subjects business students would put at the top of their interests. With real use cases, project structures, real applications and interest from companies, however, I created a learning environment in which students are happy, motivated and extensively engage with these topics, discuss them, question approaches and even reject them once in a while. The gamification of data science teaching, or the gamification of statistics, creates a learning environment from which students take away so much more than from textbooks. At the end of this journey, I can say that all the teams conducted a much more sophisticated data analysis than I would have ever expected.

Stefan: Will you organize a new challenge in the near future?

Prof. Schlüter: Yes, definitely. In Cologne, when we do something more than once, it automatically becomes a good, old tradition. The Data Science Challenge will be no exception at our university. Currently, we are organizing the next edition that starts in September 2023. We will again have cases provided by one of the Big4 consulting companies and risk-related use cases from the banking industry. I’m looking forward to an energy pricing use case, which is a really hot topic at the moment. We will try to answer questions such as: “How can we predict and hedge energy prices by applying data science techniques?”.

Stefan: What motivated you to incorporate the use of KNIME Analytics Platform into your course and for this challenge?

Prof. Schlüter: The main motivation to use KNIME Analytics Platform as the go-to tool for the challenge was its low-code environment. My opinion about the students’ interests is that learning how to code is not the main interest or focus. I needed a tool that can be easily adopted and learned by business students. In about two hours, students are able to work with KNIME. That is why I think students should work with a visual programming-based software.

The main reason, though, was the natural ability of low code tools like KNIME to transparently communicate the data flow to stakeholders. None of the corporations in the Finance&HR Challenge used KNIME Analytics Platform as their primary analytics tool. Nevertheless, even when our workflows grew quite large, it was still very easy to explain to the professionals from the corporations the different parts of the workflow, e.g., data preparation, visualization and predictive modeling. After 5–10 minutes, our business partners were able to describe the main logic of the workflows and from where to where the data was flowing. That’s priceless.

Roberto: How do you see the field of data analytics evolving in the next 5–10 years, and how do you ensure that your course and your challenge stays up-to-date with these changes?

Prof. Schlüter: We live in a very exciting time. We are currently experiencing the democratization of data science, statistics and data analysis. Nowadays, many data analyses can be carried out by a much larger group of users with easy-to-use tools. Data science is no longer the exclusive realm of mathematicians, physicists or computer scientists. Increasingly, use cases and solutions can be built by graduates or employees who had a different focus in their studies or professional training.

This change is reaching various industries. Certainly, the focus was on marketing or cross-selling data science approaches at the beginning of the data science trend. Increasingly, however, we are also seeing the use of data science techniques in “downstream functions” in sectors such as auditing, legal services or HR. I believe that this trend will continue to accelerate and broaden, bringing with it new sectors, industries and professional profiles.

Roberto: We are reaching the end of our conversation. Before we say goodbye, we have a few more questions for the students. What resources (e.g., publications, books, online journals, social media, etc.) do you usually use to keep yourself up-to-date about the newest trends in the space?

Markus: I’m following different experts on LinkedIn who are blogging and posting about data analytics. As I’m writing my master’s thesis this semester about data science in the fashion industry, I’m reading a lot of publications, books and other scientific material about it.

Margarethe: LinkedIn is my main source of news, so I read articles or posts that are shared there.

Julia: It is the same for me. I keep myself up-to-date with LinkedIn a lot but also listen to podcasts.

Hanna: I use mainly social media, although I try to listen to podcasts and would like to do that more often.

Roberto: Our closing question looks forward into your future aspirations. When are you graduating and what are your plans for the future?

Markus: My plan is to graduate in August. For what comes next, I’m very open-minded with no concrete plans right now. The only condition is that it must have to do with fashion. So if anyone has any ideas, feel free to reach out.

Margarethe: I will graduate in February 2024 and I would like to start working right after my graduation. At the moment, I see myself working in the controlling or analytics field.

Julia: I will graduate in August and want to start a job as a consultant in the field of digital transformation or even data science.

Hanna: Just like Margarethe, I will graduate in February 2024. I would like to attend a 3-month development bootcamp in the field of web development. My previous work experience was in digital marketing so I’d like to see if I can go into frontend development.

Roberto: Thank you all for joining us and best of luck in your future projects!

Watch the original interview with winners of the Data Science for Business Challenge “Finance & HR” at TH Köln on YouTube.

TH Köln meets Simon-Kucher

Mon, 22 May 2023 21:28:07 GMT

Dr. Ann-Christine Brunen zu Conjoint Analysis an der TH Köln

Heute konnten unsere Studierenden im Master Marktorientierte Unternehmensführung spannende Einblicke in die moderne Datenanalytik erhalten: Aktuell haben sie Datenexplorationen und eine ganze Bandbreite prädiktiver Modelle aufgebaut - aber allein die Analyse von "HardFacts" bringt sie aktuell nicht weiter - sie müssen neue Daten erheben und das am besten mittels Befragungen. Denn: Mit diesen können auch Einstellungen und Präferenzen von Probanden erhoben und messbar gemacht werden.

Mein herzlicher Dank geht hierbei an Dr. Ann-Christine Brunen (Senior Consultant @ Simon-Kucher): Sie zeigte in einem spannenden Vortrag, welche Vorteile Conjoint-Analysen bieten, um realistische Entscheidungssituationen messbar und analysierbar zu machen.

Vor allem zeigt sie anschaulich, wie vielfältig die Einsatzmöglichkeiten dieser Methode sind und wie unsere Studierende sie für ganz unterschiedliche Fragestellungen nutzen können:

Neben der Vorstellung der eigentlichen Methodik verstand es Frau Brunen insbesondere ausgezeichnet, unsere Studierenden in den Talk einzubinden und für diese analytische Methodik zu begeistern. Sei für den Einsatz im Pricing von Produkten oder der Kundensegmentierung.

Eine individuelle Case Study rundete den gelungenen Vortrag ab: Unsere Studierenden übertrugen die Methodik auf ihren eignen HR-Use Case, den sie in diesem Semester behandeln.

YouGov @ TH Köln

183:726987089 (Tobias Schlüter) — Tue, 10 Jan 2023 15:22:10 GMT

Customer Profiles als Self Service BI Dashboard

#Kundenprofile - #BrandAwareness - #Sponsoring ?
oder:
#StatistischeTests - #Z -Score - #Konfidenzintervalle ?

Statistische Tests & Hypothesen gehören zum Pflichtprogramm jeder quantitativen Ausbildung! Wie gelingt es uns, diese abstrakt klingenden Themenkomplexe für Studierende erlebbar zu gestalten?

Kurz vor der Weihnachtspause hatten unsere Bachelor-Studierenden der Quantitativen Methoden einen besonderen Gastvortrag: Felix Leiendecker und Maximilian Höchst von YouGov brachten ihre Umfragepanels mit in den Hörsaal:
Mit ihrem interaktiven #BusinessIntelligence #Dashboard hatten sie Zugriff auf über 40Millionen Kundenumfragen, in denen mehr als 170.000 Features dargestellt werden können. Ein phantastischer Datensatz!

Und dann kamen direkt ganz praktische Fragen, die die beiden live und interaktiv beantworteten:

- Wie unterscheiden sich eigentlich BVB- von Bayern Fans?
Für wen das wichtig ist: Bspw. Sponsoren, die #Zielgruppenanalysen aufstellen!

- Was charakterisiert Menschen, die Sport treiben? Und wo wohnen die?
Für wen das wichtig ist: Bspw. FitnessStartUps, die #WerbeContent oder #Locations suchen!

- Wie lange dauerte es, bis Volkswagens Reputation sich vom Dieselskandal erholt hatte?
Für wen das wichtig ist: Bspw. BrandManager

- Was sind die Top-Arbeitgeber für BWL-Studierenden im Rheinland?
Für wen das wichtig ist: Bspw. Hochschulen, die attraktive Praxiskooperation mit der #LokalenWirtschaft etablieren möchten.

Alles Fragen, die schnell zusammengetragen sind und erst einmal gar nicht nach Quantitativen Methoden sondern nach #Kundenzentrierung , #Marktauftritt , #Branding oder #Kundenpräferenzen klingen.

Und was war mit statistischen Tests?? --> Dreh- und Angelpunkt bei jeder Interpretation, bei der Auswahl von wichtigen Variablen, beim Erkennen von wichtigen Zusammenhängen sind #Testergebnisse , die im Hintergrund laufen und den Anwendern signalisieren: "Hier liegen erhebliche Unterschiede zwischen Gruppen vor!"

Statistische Tests zeigen dem Anwender, was im Dickicht großer Datenbestände wichtig ist: Welche der abertausenden Merkmale besonders stark über- oder unterrepräsentiert in der entsprechenden Zielgruppe sind.

In diesem Sinn: Nochmals vielen herzlichen Dank an Felix, Max und YouGov! Ihr habt uns anschaulich gezeigt, welchen Wert statistische Analysen bei ganz praktischen Fragestellungen generieren kann!

Deutsche Telekom @ TH Köln

183:726987089 (Tobias Schlüter) — Tue, 10 Jan 2023 15:18:46 GMT

HR Analytics in einem Großkonzern

Zu Beginn des neuen Jahres gab es einen spannenden Realitätscheck:

Imko Enninga (VP People Analytics) der #DeutschenTelekom zeigte in einem abwechslungsreichen Gastvortrag, wie die DT #HRAnalytics betreibt.

Aktuell lernen die Studierenden des #MuF Masters (Marktorientierte Unternehmensführung) und #InternationalBusiness an der TH Köln die Bandbreite von #DataAnalytics Algorithmen in einer HR-Fallstudie kennen.

Im Vortrag von Imko Enninga gab es viele Wiedererkennungspunkte: HR #Dashboards , #DataExploration , #CorrelationAnalysis und letztlich #PredictiveAnalysis für #Prognose - und #Simulationsmodelle im HR Bereich.

Herr Enninga stellte zahlreiche Verbindungen zu unserem Kurs her, motivierte, wie sich HR Bereiche weltweit in einem analytischen Umbruch befinden und welches Potential eine moderne Datenanalytik in diesem Bereich haben kann. Eine ausführliche Diskussion zur #Sensitivät und #Verantwortung im Umgang mit sensiblen Daten rundete den Vortrag gelungen ab.

Im Namen der beiden Kurse möchte ich an dieser Stelle noch einmal #Danke für die spannenden Insights aus einem Großkonzern in unserer Region sagen und freue mich darauf, in den kommenden Semestern hier anknüpfen zu können!

Data Science @ Scale in Higher Education

Wed, 07 Dec 2022 09:10:33 GMT

At universities of applied sciences, our teaching focus is coupled with a highly practical business orientation. I’d like to outline how, in my role as professor, this influences how I teach data science to master students in business administration.

Tobias Schlüter is Professor at TH Köln in the Faculty of Business, Economics and Law. His teaching disciplines include data science for business, and applied analytics in banking while his research concentrates on analytics an data science for business and pricing for financial institutions.

My students will work in a quickly developing business world after graduation. More data will be available, while decisions will have to be made ever faster. In topics like marketing, HR, and product management, there is rarely a single correct course of action. Hence my goal is to teach how to best evaluate different approaches. I’m guided by these questions:

How can I prepare my students to make good, meaningful, data-based decisions in their future positions, instead of just going with their guts?
How can I enable them to become effective managers in their respective domains — ones who both understand the possibilities of more available data and modern data analytics and can also apply it?

My Teaching Objectives and why I chose KNIME

In the area of tension between specializations in business and data science, three aspects were important for me. The first mainly impacts the structure and design of my lectures, while the other two have led me to adopt KNIME for my lectures.

The Do It Yourself Approach and Real Challenges

Students have to learn data science practically. Instead of me flipping through PowerPoint slides, they have to work with data and design algorithmic workflows. They should also preferably learn about challenges in a business context, with real data sets, project structures, deadlines, and ideally with managers from the field.

Get Productive Fast

Students need easy access to tools. Whether they have previous experience with creating analyses or not, with KNIME, I only need about 90 minutes to introduce the basic concepts of the platform and enable them to create their first predictive models or apply a variety of analytics methods. From there they can choose from the available materials to continue their learning.

Using an Industry-Relevant Tool

Students should be exposed to software that is used by actual companies, to support their transition to working in the industry. In the case of KNIME, they use exactly the same software (with no artificial limitations) that many companies already use, and which all can use.

The Data Science Journey in the Master Program

Laying the Foundations

To provide students with the skills to discern which technique is best to solve the problem at hand, we lay a solid foundation for assessing and evaluating challenges in the first semester course “ Data Analytics .” The initial weeks are regular front-of-class teaching. What opportunities and potentials does Big Data offer? What classes of algorithms are there? What distinguishes descriptive statistics from modern machine learning algorithms? How does the CRISP-DM work? And so on.

Applying Lessons to Business Problems

Students are then given a seemingly simple problem: The board of directors at your company is concerned about employees quitting. Can you help the board assess which employees are at risk of quitting? Every student immediately has a sense of why they would quit a job. Over the rest of the term, we work with these perceptions to find insights from HR data, and leverage the benefits modern data analytics can offer.

Generating and Communicating Data-driven Insights to Business Executives

With KNIME, our students move from simple data exploration, descriptive statistics, and interactive visualizations to unsupervised machine learning and a range of supervised ML models. Furthermore, they learn to implement data science workflows, avoid analytical pitfalls, and validate theories with statistical tests, as well as how to communicate their approaches, model choices, and results in the most easily understandable and convincing way possible, even in conversation. Clear arguments count more than formulas and algorithms when talking to executives.

Scaling Skills: Advanced Data Science Challenges with Industry Partners

A crucial goal of my teaching is to scale my students’ analytical skills in real-world projects. In project-based followup courses with industry partners, students learn to deal with real use cases, work with messy datasets, and decide which approaches work best with various problems. Let's take a look at our data science challenges at TH Köln .

Several industry partners provide use cases, questions, and real data from their everyday work with Risk Management in Banking, Pricing for Insurance Companies, Marketing, Social Media Analytics, or Web Analytics. The students are free to choose which use case best suits their specialization. Leveraging their prior KNIME knowledge, they can meet a wide variety of new challenges:

Big Data datasets with millions of customer records and hundreds of features — How can they create efficient and robust predictive models?
Very noisy data — How can data pre-processing be optimized to meet the pricing models of insurance companies?
Web scraping or APIs for social media data — How can they quickly collect meaningful data sets themselves using KNIME web scraping or Python integrations in their KNIME workflows?
Analysis of Unstructured Data — How can they connect KNIME directly to a source like Twitter and use TextMining algorithms?Neuer Text

I coordinate several projects throughout the course. Before the course starts, I organize use cases and find practitioners interested in a university collaboration. After introducing the cases in the first session, I run weekly status checks with every team to ensure targets will be accomplished on time, while sparring on data science workflows or presenting results to case partners.

The Immediate Clarity of the Approach Accelerates Understanding Between a Data Scientist and a Business Executive

What is particularly interesting is that none of our industry partners have used KNIME to work on the provided use cases. Still, a scenario like this often arises during our regular meetings: Students will present their KNIME workflow, and a partner will at first reply with "I don't know KNIME.” But soon they’ll say, "I understood the workflow." This is a major advantage of visual programming compared to coding-based languages. Good collaboration happens much faster — not only among students, but even with those who haven't seen the software before; they can start using it immediately.

The Supportive Data Science Community

How do the students manage new methods and analytical skills, class requirements, and time pressures? They are supported throughout the semester by the KNIME Educators Alliance team. (Thank you for your support!) The team has contributed everything from a guest lecture introducing previously unknown topics (such as social media analytics) to lending aid when the students don’t know what to do next. A custom tag for our challenges in the KNIME Forum has also been extremely helpful. Our students can quickly get assistance from the KNIME community. To all KNIMErs throughout the world, thank you very much for supporting Cologne’s students!

To further incentivize students to create outstanding solutions, the winning teams are awarded prizes sponsored by KNIME. They include digital badges, which help signal to potential employers that they are already trained in data science. Such opportunities to present their work to the KNIME community also help students to shape their professional profiles before graduation.

A Data Analytics Tool for Any Use Case

With my experience in running and leading data science projects in a business context, I may conclude that by the end of their studies, students go through a data science project setting exactly as they would in the business world. With KNIME, they have a tool they can implement in any use case quickly and effectively. They can take these skills directly with them to the companies they go on to work for.

What my students say about using KNIME:

Emma Wissmann, currently working on web analytics:

"I first used KNIME for data analysis as part of my first semester course at the TH Köln, and have been working with it intensively ever since. What I like about KNIME is that the software is easy to use due to the visual programming language and the user-friendly interface."

Markus Bünnemeyer, currently working with text mining:

“I love the no-coding approach, but also appreciate the ability to code myself if needed. This mixture makes KNIME very pleasant for beginners, and at the same time very powerful for professionals”.

The inital publishing of my article appeared in https://www.knime.com/blog/teaching-data-science-higher-education

Anwendung von KI in der Prüfung

Wed, 12 Oct 2022 12:06:35 GMT

ISACA Fokus Event am 10. November 2022 in Eschborn

Anmeldung zum FokusEvent hier: https://www.isaca.de/de/veranstaltungen

Ankündigung: 17. FaRis Symposium zu "Moderne Pricing- und Analytics-Ansätze"

183:726987089 (Tobias Schlüter) — Fri, 22 Jul 2022 07:41:12 GMT

Die FaRis & DAV Symposien

Seit 2011 veranstaltet die Forschungsstelle FaRis (Finanzielles & aktuarielles Risikomanagement) in Zusammenarbeit mit der Deutschen Aktuarvereinigung e.V. (DAV) Symposien zu aktuariellen Fragestellungen.

Das nächste FaRis & DAV Symposium ist für den 2. Dezember 2022 von 14:00 bis 17:30 Uhr als Präsenztermin geplant. Unter dem Titel „Moderne Pricing- und Analytics-Ansätze in der Nichtlebensversicherung“ werden Prof. Dr. Tobias Schlüter und Prof. Dr. Jan-Philipp Schmidt die Veranstaltung moderieren. Weitere Informationen finden Sie hier im Herbst 2022.

Das FaRis & DAV-Symposium findet zurzeit jährlich am ersten oder zweiten Freitag im Dezember ("Nikolaussymposium") statt.

DAV-Aktuaren wird im Rahmen des DAV-Weiterbildungsprogramms die Teilnahme an den Symposien mit drei Weiterbildungsstunden anerkannt.

Alle Teilnehmer erhalten auf Wunsch vor Ort eine Teilnahmebescheinigung.

17. FaRis & DAV-Symposium am 2. Dezember 2022 ab 14 Uhr an der TH Köln

Hier der Link auf die Seiten der TH Köln:

https://www.th-koeln.de/wirtschafts-und-rechtswissenschaften/symposien_26042.php

Performance Marketing für Social Media

183:726987089 (Tobias Schlüter) — Mon, 13 Jun 2022 20:08:35 GMT

Social Media und Statistik? Oder TikTok und t-Tests?

Zahlt sich Performance Marketing aus und wie funktioniert das eigentlich?

Heute hatten wir genau zu diesen Themen einen spannenden Talk von Julia Liebl von der #NYBA bei uns zu Gast an der #THKöln .

Doch fangen wir von vorne an: Wahrscheinlichkeiten, Statistik und quantitative Methoden stehen auf dem Pflichtprogramm unserer Studierenden auf dem Weg zum Bachelor. Und oft steht die Frage im Raum: "Brauche ich das später überhaupt alles oder kann ich das direkt wieder vergessen?"

Und genau an dem Punkt hat Julia, die selbst erst vor Kurzem ihr Studium erfolgreich beendet hat, uns Einblicke in ihre tägliche Arbeit bei der NYBA Social Media Marketing Agentur gegeben:

Sie hat den Studierenden begeisternd und anschaulich gezeigt, wie #Zielgruppen definiert werden, welche Daten auf den Plattformen von Kunden gespeichert werden und wie diese dann genutzt werden, um die #Conversion von #MarketingKampagnen zu erhöhen oder eine #Budgetallokation zu optimieren.

Anstatt "altbackene #Reichweitenkampagnen " zu fahren, hat unseren Studierenden gezeigt, wie man immer besser personalisierte und zielgruppengerechte #Kundenansprachen generiert - Und Herzstück dieser Optimierung sind zig tausende #Splittests oder auch #ABTests , die zeigen, welche #Placements , #Creative , #Headline oder #Copies signifikant besser funktionieren - Und da waren wir auch in modernen Medien direkt wieder beim #statistischeTesten , mit dem sich unsere Studierenden aktuell beschäftigen.

Liebe @Julia Liebl, noch mal vielen Dank für diese spannenden Einblicke zu modernen personalisierten Marketingkampagnen auf Basis quantitativer Analysen!

REWE HR Analytics zu Gast an der TH Köln

183:726987089 (Tobias Schlüter) — Tue, 24 May 2022 19:59:57 GMT

Gastvortrag von Dr. Rebecca Funken
(Head of HR Analytics der REWE Group)

Heute freue ich mich, einen besonderen Gast an der TH Köln begrüßen zu dürfen: Dr. Rebecca Funken hat in der Veranstaltung "Data Analytics" in Masterstudiengängen Marktorientierte Unternehmensführung und International Business spannende Einblicke in Ihre Arbeit bei REWE - HR Analytics gegeben.

Rebecca ist als "Head of HR Analytics" verantwortlich für ein Team von Data Scientists hier bei uns in Köln und managet die HR Analytics Aktivitäten der REWE Gruppe mit ihren rd. 380.000 Mitarbeiten weltweit.

Anschaulich hat sie den Studierenden vorgestellt, wie HR Analytics Analysen, Lösungen und Tools für komplexe Geschäftsprobleme erstellt und Empfehlungen zu strategischen HR-Fragen auf Basis moderner Datenanalytik gibt.

Unseren Studierenden hat sie insb. gezeigt, wie (statistische) Programmier- und Data-Science-Methoden entwickelt, eingesetzt und letztlich automatisiert genutzt werden können.

Ihr Fokus lag dabei auf der Analysefrage "Wieso kündigen Mitarbeiter?"

Für die Studierenden ist dieser Use Case von besonderem Interesse: In diesem Semester setzen Sie selbst einen HR Analytics Use Case um: Sie erhalten Daten einer Großbank, die zu viele Kündigungen verzeichnet, und müssen dieselbe Fragestellungen -für eine völlig andere Branche- beantworten. REWE bietet hier also einen 'Blick über den Branchentellerrand'.

Ein wesentlicher Vorteil von Data Analytics: Branchengrenzen verschwimmen. So konnte Rebecca die analytischen Fragen der Studierenden direkt beantworten - eine spannende Diskussion zu HR Analysen, Personalmanagement und Datenschutz im Banking wie im Retail entstand. Rebecca motivierte bspw. die Nutzung von Hazard-Modelle, geeignete analytische Tools und zeigte, wie Analytics-Ergebnisse Stakeholdern gut und überzeugend präsentiert werden.

Eine Aussage verfing direkt bei unseren Studierenden:

"Unternehmen müssen die analytische Kompetenz selbst aufbauen - anders geht es nicht."

Die schnelle Lösung eines funktionierenden "Analytics-Komplettpaketes" gebe es nicht - Datenstrukturen, Unternehmenskontexte, Anforderungen etc. seien zu individuell. Ein spannender Ausblick für unsere Studierenden, dass Analytics, Data Science und KI-Anwendungen auch in unserer Region immer weitere Verbreitung finden werden - genau die richtige Zeit, diese Themen schon im Studium zu behandeln.

Im Namen der TH Köln und insb. der MuF - Studierenden - der Marktorientierte Unternehmensführung der TH Köln - möchte ich nochmal herzlichen Dank für diese spannenden Einblicke rund um Personalmanagement, HR Analytics, und den Wettbewerbsvorteilen moderner Analytik sagen!

Start an der TH Köln

183:726987089 (Tobias Schlüter) — Wed, 19 Jan 2022 21:28:01 GMT

Liebe Freunde, liebes Netzwerk!

Zeit für etwas Neues - Nach fast einem Jahrzehnt in der Sparkassenfinanzgruppe blicke ich auf spannende Themen rund um Gesamtbanksteuerung, Risikomanagement und natürlich Data Analytics & KI zurück.
Aus dieser Zeit werde ich viele gute Erinnerungen an motivierte und engagierte Kollegen und Kolleginnen in den Sparkassen, Verbänden und Dienstleistern behalten.
Die Arbeit mit Euch habe ich genossen und ich möchte Euch Danke für die schöne Zeit in unserer SFG sagen!

Jetzt beginnt meine nächste Etappe: Als Professor der TH Köln werde ich Analytics & Data Science im Banking und in der quantitativen Unternehmenssteuerung in Forschung und Beratung weiter begleiten.
Meine Schwerpunkte und was ich jetzt mache, könnt Ihr auf der unten kommentierten Webseite und natürlich hier verfolgen.

Ich freue mich darauf, die Studierenden in Köln für moderne Datenanalysen zu begeistern und sie für ihre Tätigkeit in den Unternehmen unserer Region fit zu machen.

Und natürlich freue ich mich auf Forschungsprojekte, Kooperationen und Beratung für die Unternehmen, Banken und Sparkassen (! :-)) in NRW!

Euer Tobias

Virtueller Jahresauftakt der TH Köln

183:726987089 (Tobias Schlüter) — Wed, 19 Jan 2022 21:13:00 GMT

23 neue Professoren an der TH Köln begrüßt

Virtueller Jahresauftakt: Die THKöln begrüßt neu berufene Professoren:

Gestern war es mir eine große Freude, am Neujahrsempfang der TH Köln teilzunehmen. Mit insgesamt 23 neuen Professorinnen und Professoren startet die -meine :-) - TH Köln in das neue Jahr!

Mit Professuren zu #Daten, #Algorithmen, #AI, #Analytics, aber auch #Agilität, #Nachhaltigkeit, #Organisationspsychologie, #UX, #digitaleProduktion oder #Energiesysteme u.v.m. setzt die TH Köln mit den Neuberufungen auf die Megathemen der Zukunft.

Ich freue mich auf die kommende, ermutigende und anregende Zusammenarbeit!

Marketing Analytics - Buch in SpringerGabler erschienen

183:726987089 (Tobias Schlüter) — Thu, 16 Dec 2021 12:28:37 GMT

Customer Journey Analytics

Modernes und effektives Marketing ist datenzentriert!

Heute ist unser gemeinsames Buch zu diesem brandaktuellen Thema in SpringerGabler erschienen. Ein klasse Projekt, das jede Menge Spaß gemacht hat!

Vielen Da nk an Marion Halfmann , Katharina Schueller , Simon Büschges , Timo von Focht , Denise Baidinger , Alec Sproten, Dr. , Özlem Doger-Herter , Barbara Wawrzyniak , Monika Schulze u.v .m.

Marcus' und mein Beitrag:

Wie Data Analytics entlang der Customer Journey eingesetzt wird, um ein Unternehmen kundenzentriert zu gestalten.

Zusammenfassung :

Potenzielle Kunden bereits dann zu entdecken, wenn sie gerade erst beginnen, sich mit Möglichkeiten der Bedarfsdeckung zu befassen, sie mit individuellen Kommunikationsmaßnahmen bis zur Kaufentscheidung zu begleiten und sie auf diesem Weg immer wieder zu überraschen und zu begeistern, gilt als Schlüsselfaktor des Marketings. Die Customer Journey ist das Instrument der Wahl hierzu, doch die gebräuchlichen Vorgehensweisen stoßen immer wieder an Grenzen. Unternehmen verfügen aber über eine Vielzahl von Daten, mit deren Hilfe sie wertvolle Einsichten

in Mindset und Verhalten Ihrer potenziellen und aktuellen Kunden gewinnen, die Grenzen der CJ deutlich verschieben und so ihre Conversionrate steigern können.

In diesem Beitrag zeigen die Autoren, wie sich (Big) Data Analytics und Customer Journey wertschaffend miteinander verbinden lassen, wie man methodisch am besten hierbei vorgeht, welche Instrumente zur Analyse eingesetzt werden und wie sich wesentliche Fallstricke und Risiken vermeiden lassen.

Hier direkt bestellen!

Ankündigung: Marketing Analytics Buchprojekt mit Springer/Gabler

183:726987089 (Tobias Schlüter) — Wed, 26 May 2021 08:54:34 GMT

Buchbeitrag "Customer Journey Analytics" erscheint im Herausgeberband "Marketing Analytics" in Springer/Gabler

Tobias Schlüter und Marcus Albrecht publizieren im Herausgeberband "Marketing Analytics" von Prof. Marion Halfmann und Katharina Schüller zur analytischen Optimierung von Customer Journeys. Das Buch erscheint im Herbst 2021 in Verlag Springer/Gabler.

"Wir zeigen, wie die Customer Journey mit Hilfe von Data Analytics optimiert werden kann. Analytics ermöglicht es Unternehmen eine personalisierte Ansprache von Kunden entlang ihrer Touchpoints zu erreichen. Marketing neu gedacht lässt sich heute auf folgende Formel bringen:"

Customer-Journey-Analytics =

Customer Journey + (Big-)Data-Analytics + Analytics-Change-Management

Wie das ganz praktisch für Ihr Unternehmen realisiert werden kann, zeigen wir Ihnen in unserem neuen Praktikerbuch - hier ein kurzer Ausblick zu unseren Themen:

Customer Journey Analytics

1. Timing, Individualität und Evidenz: Herausforderungen im Marketing

2. Wettbewerbsvorsprünge für Ihr Unternehmen durch Analysen der Customer Journey

3. Individualisierte Kauferlebnisse und Begeisterungsmomente für Ihre Kunden durch Ana-lysen der Customer Journey

4. Vorgehensweise und Modelle im Rahmen von Customer-Journey-Analytics

5. Anwendungsgebiete und Vorgehen

6. Ausblick: Erfolgsvoraussetzung Analytics-Change-Management

Bestellen Sie das Buch hier vor.

KI Note veröffentlicht Bericht zu Data Analytics in der Sparkasse KölnBonn

183:726987089 (Tobias Schlüter) — Wed, 26 May 2021 07:43:57 GMT

Artikel ursprünglich veröffentlicht auf: KINOTE

Mit dem Einsatz von Data Analytics bzw. datengetriebener Algorithmen lassen sich erhebliche Verbesserungen in der individuali sierten Kundenansprache erzielen. Verbraucher erhalten von ihrem Kreditinstitut genau die Lösungen, die ihren Bedürfnissen entsprechen – und auch die Institute profitieren.

Mit der voranschreitenden Digitalisierung verändert sich der Kontaktweg Kunde-Bank. Für alltägliche Bankgeschäfte suchen Verbraucher immer seltener persönliche Gespräche, sondern nutzen zunehmend andere Kanäle wie etwa Apps oder Online Banking. Für Banken und Sparkassen stellt sich daher die Frage, wie sie Kunden mit finanziellen Bedürfnissen auf ihren Kanälen optimal erreichen können.

Ein vielversprechender Ansatz zur Optimierung der kanalübergreifenden Kundenansprache stellt dabei der Einsatz von Data Analytics bzw. Algorithmen des Maschinellen Lernens (ML) dar. Die Institute können ihre Kunden bereits sehr gut anhand ihrer Daten kennenlernen und erfassen somit potenzielle Bedürfnisse, noch bevor die jeweilige Person diese in einem persönlichen Beratungsgespräch oder einem Chat äußert. So bieten zum Beispiel Vertragsdaten, Produktnutzungen, Kreditengagements oder Analysen des Zahlungsverkehrs Anknüpfungspunkte, Verbraucher individuell in ihrer eigenen persönlichen Finanzsituation zu beraten.

Hierfür werden mithilfe von Algorithmen Muster in Kundenprofilen sichtbar gemacht, die typisch für einen sich anbahnenden Baufinanzierungsabschluss oder für den Abschluss eines Vorsorgeprodukts sind. Im Ergebnis werden mit sogenannten Affinitätsmodellen genau diejenigen Kunden identifiziert, bei denen eine besonders hohe Abschluss¬wahrscheinlichkeit besteht.

So kann eine Sparkasse genau mit solchen Menschen sprechen, die aktuell einen bestimmten Bedarf haben, und diese gleichermaßen auf dem für sie relevantesten Kanal mit dem entsprechenden Content erreichen. Mit der datenbasierten Ansprache gelingt es, Personen individualisiert auf das für sie passende Produkt zum richtigen Zeitpunkt und auf dem richtigen Kanal mit der richtigen Botschaft anzusprechen.

Kampagnenbasis: Expertenselektion im Vergleich zu algorithmisch-basierter Kundenansprache. (Quelle: Sparkasse KölnBonn)

Welche Algorithmen geeignet sind, Kundenpräferenzen zu erkennen, wird in den folgenden Abschnitten skizziert.

Algorithmen und Methoden

Für das Trainieren der Prognosemodelle werden vor allem historische Kundendaten als Merkmale herangezogen, die einen Einfluss auf die Produktaffinität haben können. Merkmale sind etwa: Alter, Salden und bereits vorhandene Produkte des Kunden. Es werden aber auch Informationen aus den Zahlungsverkehrsdaten genutzt, sofern dies unter Datenschutz-Gesichtspunkten möglich ist. Im Ergebnis nutzt das Modell einen Merkmalsvektor mit sämtlichen Informationen, die zur Prognose eines Produktkaufs benötigt werden.

Die relevante Zielgröße für das Training sind sogenannte Kauf-Kennzeichen: Alle Kunden, die im Trainingszeitraum das Zielprodukt abschließen, werden codiert. Mit diesem aufbereiteten Datensatz wird das Modelltraining durchgeführt. Dabei werden nichtlineare Zusammenhänge zwischen den Merkmalen und der Zielgröße abgeleitet und nur diejenigen Merkmale einer Person berücksichtigt, die einen positiven Beitrag zur Prognosegüte liefern.

So kommen etwa Entscheidungsbäume zum Einsatz, die den Datensatz entlang binärer Splits der Kundenmerkmale trennen. Splits können so zum Beispiel anhand der folgenden Entscheidungsfragen charakterisiert werden: „Ist der Kunde älter als 45 Jahre?“ oder „Wohnt der Kunde zur Miete?“. Am Ende dieser Fragenkette wird jeder Verbraucher einem Segment zugeteilt, das eine bestimmte Abschlusswahrscheinlichkeit für das untersuchte Produkt aufweist.

Ein einzelner Entscheidungsbaum müsste sehr groß werden, um die vorliegen de Komplexität hinreichend abzubilden. Zudem wäre das Modell auf Basis eines einzigen komplexen Baumes anfällig für das Erlernen von zufälligen Fluktuationen der Stichprobe, die für das Training zur Verfügung steht.

Boosted Trees

Das bedeutet: Während ein einzelner komplexer Entscheidungsbaum die Charakteristika des zugrundeliegenden Trainings-Datensatzes mit einer hohen Detailtiefe abbildet, könnte er für die Prognose zu einem zweiten Kundendatensatz ungeeignet sein, da der Entscheidungsbaum etwaige Besonderheiten des Trainingsdatensatzes zu stark gewichtet. Diese Problematik wird gelöst, indem die maximale Tiefe des Entscheidungsbaums stark begrenzt wird. Die Zahl an Fragen, die zu einem Kunden gestellt werden, kann zum Beispiel auf fünf beschränkt werden. Die damit einhergehende Verringerung der Modellqualität wird anschließend durch eine weitere Methode, das Boosting, verbessert.

Die Idee des Boosting ist es, eine Vielzahl einfacher Modellen in ein starkes Ensemble-Modell zu überführen. Das heißt, dass in einem iterativen Prozess eine Vielzahl an Bäumen erzeugt wird. Bei der Erzeugung wird jeder neue Baum darauf optimiert, die Schwächen des bisherigen „Waldes“ zu korrigieren. Jeder einzelne Baum besitzt zwar nur eine geringe Prognosefähigkeit, in der Summe liefern alle Bäume jedoch sehr gute Resultate.

Methodischer Ausblick

Boosted Trees erlauben keine intuitive Interpretation, wie die jeweilige Affinität des Kunden bestimmt worden ist. Anders als bei einfachen Entscheidungsbäumen oder bei linearen Modellen kann aufgrund der Vielzahl an Bäumen der Grund, weshalb der Kunde affin ist, nicht ohne Weiteres erkannt werden. Mit der Nutzung eines darauf aufbauenden Modells können wesentliche Treiber der Modellklassifikation erkannt werden und so den Kundenberatern auch die richtigen Schlagwörter an die Hand gegeben werden, die für die Kundenansprache nutzbar sind.

Eine weitere Entwicklung ist das Schließen des Closed Loops. Dazu werden die Reaktionen der Verbraucher auf die Ansprache nicht nur zuverlässig erfasst, sondern auch zurückgespielt. Zum einen kann dadurch eine vereinheitlichte Erfolgsmessung der Kampagnen für alle Institute erfolgen. Zum anderen wird es möglich sein, die Affinitätsmodelle kontinuierlich zu verbessern.

Wurde die Kundenansprache um im Zentrum stehende Data-Analytics-Modelle herum aufgebaut, lassen sich rasch bemerkenswerte Verbesserungen realisieren. Als Beispiel dient die Sparkasse KölnBonn (SKB), die nur noch auf Data-Analytics-basierte Kampagnenansprachen setzt. In allen Ansprachen, die teils über mehrere Kanäle wie App, Online Banking, CallCenter oder Berater bis hin zu E-Mail und Brief gesendet wurden, zeigen sich zusammenfassend zwei positive Effekte: Verbraucher spiegeln viel häufiger zurück, dass das von der Sparkasse angesprochene Thema für sie passt – die Ansprache ist für Kunden also relevant und nicht störend. Schließlich kann das Institut durch die passende Ansprache seine Ressourcen deutlich besser einsetzen und somit viel häufiger Produktabschlüsse realisiere n.

Verbesserung der Kundenansprache durch Data Analytics. (Quelle: Sparkasse KölnBonn)Verbesserung der Kundenansprache durch Data Analytics. (Quelle: Sparkasse KölnBonn)

Fazit

Mit Data Analytics, also der Algorithmus-basierten Kundenansprache, lassen sich rasch Erfolge erzielen und die Relevanz der Schnittstelle Kunde-Bank erheblich aufwerten. Nach den Ersterfolgen ist es für ein Institut von zentraler Bedeutung, seine Touchpoints, also die Kanäle, auf denen es seine Kunden erreichen kann, optimal aufeinander abzustimmen und die Kundenansprache zu orchestrieren. Innerhalb des Instituts wird es im Laufe der Data-Analytics-Nutzung zunehmend wichtig, kontinuierlich Transparenz über die neuen Vorgehensmodelle und das Erreichte zu gewährleisten.

Auch das Stakeholdermanagement darf nicht vernachlässigt werden, da die Umstellung eines Kampagnenmanagements auf Data Analytics einem Change Prozess entspricht, in dem teils jahrelange, wenn nicht sogar jahrzehntelang gelebte Praxis der Experten-basierten Kundenansprache auf moderne datenanalytische Methoden trifft. Über den abschließenden Erfolg einer Data-Analytics-Integration wird daher nicht die Modellgüte von Algorithmen entscheiden, sondern vielmehr, wie der organisatorische Wandel in einem Institut begleitet wird.

Hier die Diskussion des Artikels auf LinkedIn

Hochschulinsights: Data Driven Marketing

Sat, 08 May 2021 12:47:53 GMT

Moderne Analytics Ausbildung an der Hochschule Düsseldorf in Data Driven Marketing:

Moderne Analytics Ausbildung an der Hochschule Düsseldorf - Data Driven Marketing:

Vielen Dank an die Münsteraner flaschenpost und -vor allem- an Dr. Christoph Alexander Becker, Head of Customer Analytics, für Deine Einblicke in modernes, datenzentriertes Marketing!

In Düsseldorf lernen die Masterstudierenden in der Veranstaltung "Big Data im Marketing" nicht nur neue BigData Technologien für den Einsatz im Marketing kennen, sie arbeiten auch 'hands on' an eigenen Use Cases in KNIME und erleben Praktiker aus den Bereichen Marketing Analytics.

#datadrivenmarketing #marketing #bigdata #analytics #artificialintelligence #digitalmarketing #insights #flaschenpost #customeranalytics #martech

----

Finden Sie die original Post hier: LinkedIn Post

Hochschulinsights: Data Driven Marketing

Thu, 06 May 2021 00:00:00 GMT

Moderne Analytics Ausbildung an der Hochschule Düsseldorf in Data Driven Marketing:

Moderne Analytics Ausbildung an der Hochschule Düsseldorf - Data Driven Marketing:

Vielen Dank an die Analytics-Experten der Datalogue GmbH , Sebastian Müller, Marc Baumann und Peter-Joachim Fiegel , für Eure Einblicke in aktuelle Marketing Use Cases!

In Düsseldorf lernen die Masterstudierenden in der Veranstaltung "Big Data im Marketing" nicht nur neue BigData Technologien für den Einsatz im Marketing kennen, sie arbeiten auch 'hands on' an eigenen Use Cases in KNIME und erleben Praktiker aus den Bereichen Marketing Analytics.

#datadrivenmarketing #marketing #bigdata #analytics #artificialintelligence #digitalmarketing #insights

----

Finden Sie die original Post hier: LinkedIn Post

Erfolgsmodell Data Analytics - Das Praktikerhandbuch

Thu, 06 May 2021 00:00:00 GMT

Use Cases - Analysestrategien - Wettbewerbsvorsprünge

Data Analytics und Digitalisierung gelten als wichtiger Schlüssel zur Bewältigung aktueller unternehmerischer Herausforderungen, generell als Schlüssel zur Zukunft. Thematisch sind sie längst im Unternehmensalltag angekommen – doch von einer systematischen Ausschöpfung ihrer Möglichkeiten sind die meisten Unternehmen noch weit entfernt.

Marcus Albrecht und Tobias Schlüter bieten einen praxisorientierten Einstieg in die Welt von (Big) Data Analytics, Künstlicher Intelligenz & Co. und vermitteln das notwendige Handwerkszeug, um Data-Analytics-Projekte mit Erfolg durchzuführen.

- Schlüsselthema Data Analytics: Potenziale, Einsatzfelder, Anwendungsgrundlagen und Umsetzung in Geschäftsprozessen
- Analytics-Use-Cases erkennen und den passenden, Mehrwert schaffenden Algorithmus entwickeln
- Typische Risiken und Fallstricke und wie man sie im Workflow umgeht
- Analytics-Change-Management: Akzeptanz für Data Analytics schaffen, Mitarbeiter mitnehmen und die Arbeitsteilung Mensch/Maschine richtig gestalten

Aus Daten neue Einsichten gewinnen und sie in richtige Entscheidungen, Wettbewerbsvorsprünge und bessere Unternehmensergebnisse umsetzen. Hier erfahren Sie, wie Sie das Erfolgsversprechen des Megatrends „Datenanalytik“ einlösen können.

Hier bestellen

Asia Executive Education on Data Analytics

Sat, 06 Mar 2021 15:26:16 GMT

Erstes virtuelles Training für Führungskräfte

Goethe Business School's Executive Education Asia in May:

I'm looking forward to the C-level trainings on #DataAnalytics and #AnalyticsChangeManagement .

Enjoy the talks streamed on #wechat

Content: Besides concepts of Data Analytics one main focus will be in the question, how to build a sustainable, effective analytics centered organization.

#analytics #education #datascience #learning #leadership #business

Follow me on LinkedIn

Tobias Schlüter an der TH Köln

SAP on AgenticAI and Business AI

Bekir Ardics Gastvortrag zu aktuellen KI Entwicklungen an der TH Köln

Analytics @ SSKD

Wie werden #Analytics & #AI -Einheiten #erfolgreich ?

DHL @ TH Köln

This is a subtitle for your new post

REWE Analytics @ TH Köln

Spannende Einblicke in die Welt der Datenanalytik: Analytics @ REWE!

Data Science - Interview mit den Studierenden der TH Köln

My Data Guest — An Interview with TH Köln Challenge Winners

TH Köln meets Simon-Kucher

Dr. Ann-Christine Brunen zu Conjoint Analysis an der TH Köln

YouGov @ TH Köln

Customer Profiles als Self Service BI Dashboard

Deutsche Telekom @ TH Köln

HR Analytics in einem Großkonzern

Data Science @ Scale in Higher Education

﻿

My Teaching Objectives and why I chose KNIME

The Do It Yourself Approach and Real Challenges

Get Productive Fast

Using an Industry-Relevant Tool

The Data Science Journey in the Master Program

Laying the Foundations

Applying Lessons to Business Problems

Generating and Communicating Data-driven Insights to Business Executives

Scaling Skills: Advanced Data Science Challenges with Industry Partners

The Supportive Data Science Community

A Data Analytics Tool for Any Use Case

What my students say about using KNIME:

Anwendung von KI in der Prüfung

ISACA Fokus Event am 10. November 2022 in Eschborn

Ankündigung: 17. FaRis Symposium zu "Moderne Pricing- und Analytics-Ansätze"

Die FaRis & DAV Symposien

Performance Marketing für Social Media

Social Media und Statistik? Oder TikTok und t-Tests?

REWE HR Analytics zu Gast an der TH Köln

Gastvortrag von Dr. Rebecca Funken (Head of HR Analytics der REWE Group)

Ihr Fokus lag dabei auf der Analysefrage "Wieso kündigen Mitarbeiter?"

"Unternehmen müssen die analytische Kompetenz selbst aufbauen - anders geht es nicht."

Start an der TH Köln

Virtueller Jahresauftakt der TH Köln

23 neue Professoren an der TH Köln begrüßt

Marketing Analytics - Buch in SpringerGabler erschienen

Customer Journey Analytics

Ankündigung: Marketing Analytics Buchprojekt mit Springer/Gabler

Buchbeitrag "Customer Journey Analytics" erscheint im Herausgeberband "Marketing Analytics" in Springer/Gabler

KI Note veröffentlicht Bericht zu Data Analytics in der Sparkasse KölnBonn

Artikel ursprünglich veröffentlicht auf: KINOTE

Hochschulinsights: Data Driven Marketing

Moderne Analytics Ausbildung an der Hochschule Düsseldorf in Data Driven Marketing:

Hochschulinsights: Data Driven Marketing

Moderne Analytics Ausbildung an der Hochschule Düsseldorf in Data Driven Marketing:

Erfolgsmodell Data Analytics - Das Praktikerhandbuch

Use Cases - Analysestrategien - Wettbewerbsvorsprünge

Asia Executive Education on Data Analytics

Erstes virtuelles Training für Führungskräfte

Gastvortrag von Dr. Rebecca Funken
(Head of HR Analytics der REWE Group)