Vom Business Problem zum Prototyp
Die Teams strukturieren reale Fragestellungen, prüfen die Datenbasis und entwickeln nachvollziehbare Analysen, KI-Prototypen oder Forschungsstudien.
Lehre & Forschung · TH Köln
Lernen am echten Problem.
In Kursen wie Data Science for Business, Data Analytics und Quantitative Methoden III lernen Studierende, relevante Geschäftsfragen zu stellen, Daten verantwortungsvoll zu nutzen und Ergebnisse in tragfähige Entscheidungen zu übersetzen – oft gemeinsam mit Partnern aus der Praxis.
Methodischer Rahmen
- Problemverständnis und Anforderungsanalyse
- Datenaufbereitung, Exploration und Visualisierung
- Prognose, Segmentierung und erklärbare Modelle
- Generative KI als Werkzeug im Analyseprozess
- Evaluation, Storytelling und Management-Pitch
Aktueller Fokus
Meine Lehrveranstaltungen verbinden Data Science mit modernen KI-Werkzeugen. Entscheidend ist die Urteilskraft: Studierende lernen, Modelle und generative KI sinnvoll einzusetzen, ihre Ergebnisse kritisch zu beurteilen und im Unternehmen wirksam zu machen.
Kooperation mit der Praxis
Unternehmen können geeignete Fragestellungen, Daten oder fachliches Sparring einbringen. So entstehen realistische Lernräume und neue Perspektiven auf konkrete Herausforderungen.
Use-Case-Einblicke
Reale Geschäftsfragen, echte Projektarbeit und Ergebnisse, die über die Abschlusspräsentation hinaus nutzbar bleiben.
Trend-Analytics aus Zahlungsströmen
Mehr als 100 Zeitreihen wurden analysiert, Fokustrends identifiziert und Marktbewegungen in First-Mover-, Early-Adopter- und Participant-Phasen eingeordnet. Der wiederverwendbare Python-Code steht anschließend in der KoALa-Plattform bereit.
Customer Lifetime Value
Studierende untersuchen die erwartete Kundenbeziehungsdauer als zentrale Größe des Customer Lifetime Value, vergleichen Modellvarianten und übersetzen die Ergebnisse gemeinsam mit den Fachexperten in konkrete Anwendungen.
EBA Risk Indicator Prediction
Challenger-Modelle prognostizieren wichtige Kapital- und Risikoindikatoren. Neben Modellgüte stehen Risikofrüherkennung, fachliche Einordnung und adressatengerechtes Storylining im Mittelpunkt.
Risikofrüherkennung im Rating
Auf Basis eines anonymisierten Datensatzes mit mehr als 500.000 Kunden und rund 100 Merkmalen entwickeln Studierende einen Algorithmus, der bestehende Frühwarnverfahren ergänzt und gefährdete Engagements früher sichtbar macht.
Customer Insights & Prozesseffizienz
Datenexploration, Dashboards und prädiktive Modelle liefern neue Perspektiven auf Kundeninteraktion, Kundenzentrierung und operative Prozesse.
Mitarbeiterabwanderung verstehen
Vom Bauchgefühl über Exploration und statistische Tests bis zu überwachten und unüberwachten Lernverfahren: Die Teams entwickeln einen vollständigen Analytics-Workflow und pitchen den Nutzen auf Vorstandsebene.
Pricing für Versicherer
Schadenhäufigkeiten und Schadenhöhen elektrischer Fahrzeuge werden analysiert und prognostiziert. Die Ergebnisse liefern Ansatzpunkte für die Kalkulation und Tarifierung neuer Versicherungsprodukte.
Kompetenzprofile aus Stellenanzeigen ableiten
Rund 30.000 Stellenanzeigen werden durch Webscraping, Text Mining und Geodatenanalyse ausgewertet. Die Teams zeigen, welche Data-Science-Kompetenzen gesucht werden und wie sich der Arbeitsmarkt regional und nach Branchen verändert.
Gastvorträge als Teil der angewandten Lehre
Führungskräfte und Fachleute aus Banken, Energieversorgung, Prüfung, Beratung und Softwareentwicklung bringen aktuelle Fragestellungen, Methoden-Feedback und konkrete Karriereperspektiven direkt in die Lehrveranstaltungen ein.
Business AI & Agentic AI
Bekir Ardic gab exklusive Einblicke in aktuelle SAP-Tools und kommende Evolutionsstufen von Business AI. Aus dem geplanten Kurzimpuls entwickelte sich durch die intensive Diskussion eine fast dreistündige Guest Lecture.
Wie Analytics-Teams erfolgreich werden
Dr. Johannes Gerlach, Pascal Frick und Vladislav Stoev zeigten Erfolgsfaktoren und Best Practices analytischer Teams – von der Use-Case-Entwicklung bis zur Implementierung und zum Berufseinstieg.
People Analytics & Turnover Forecasts
Christian Richter und Alexander Gerhardts erläuterten, wie Daten für Vorhersagemodelle aufbereitet werden und DHL Turnover Forecasts nutzt, um den Personalbedarf frühzeitig zu erkennen.
Analytics im Handel
Michael Dornauf, Dr. Axel Buddendiek und Dr. Martin Baumgärtner zeigten Anwendungen von Advanced Personalization bis zur Optimierung von Marketingbudgets durch SEO und SEA.
Conjoint Analysis
Dr. Ann-Christine Brunen machte anschaulich, wie Präferenzen und realistische Entscheidungssituationen messbar werden – unter anderem für Pricing und Kundensegmentierung.
Customer Profiles im BI-Dashboard
Felix Leiendecker und Maximilian Höchst arbeiteten live mit Umfragedaten aus mehr als 40 Millionen Interviews und zeigten, wie statistische Tests relevante Zielgruppenmerkmale sichtbar machen.
HR Analytics im Großkonzern
Imko Enninga verband Dashboards, Datenexploration, Korrelations- und Predictive-Analysen mit der Frage, wie verantwortungsvoll mit sensiblen Beschäftigtendaten gearbeitet wird.
Forschung & Publikationen
Wissenschaftliche Forschung und anwendungsorientierte Veröffentlichungen zu Data Science, Banking, Pricing und Unternehmenssteuerung.
Bücher und Buchbeiträge
- KI-Regulatorik und Praxislösungen in der Kreditwirtschaft – Herausgeberwerk gemeinsam mit dem FCH, Verlag C. H. Beck (in Vorbereitung).
- Erfolgsmodell Data Analytics – gemeinsam mit Prof. Dr. Marcus Albrecht, Erich Schmidt Verlag, 2020.
- Customer Journey Analytics – gemeinsam mit Prof. Dr. Marcus Albrecht, in „Marketing Analytics“, Springer Gabler, 2021.
- Auswirkungen der Finanzmarktkrise auf die Leasingbranche – gemeinsam mit Prof. Dr. Hartmann-Wendels, in „Risikomanagement für Leasinggesellschaften“, Deloitte, 2010.
Wissenschaftliche Publikationen
- „Loan Pricing: Do Borrowers Benefit from Cost-Efficient Banking?“, Credit and Capital Markets, 2016.
- „Bank Funding Stability, Pricing Strategies and the Guidance of Depositors“, Journal of Banking & Finance, 2015.
- „Die Risikoberichterstattung deutscher Banken – Erhebung des Branchenstandards“, Schmalenbachs Zeitschrift für betriebswirtschaftliche Forschung, 2014.
- „Determinants of Market Beta: The Impact of Firm Specific Accounting Figures and Market Conditions“, Review of Quantitative Finance and Accounting, 2014.
Praxispublikationen
- Fleckenstein, F., Ch. Müller-Hammerstein und T. Schlüter, „Kundenabwanderungen von Banken zu Neobrokern frühzeitig erkennen! – Mit Machine Learning zur proaktiven Kundenbindung“, BankPraktiker, 2026.
- Fleckenstein, F., A. Odendahl und T. Schlüter, „GenKI-Agenten: Die neue Ära der Prozessautomation im Finanzsektor“, BankPraktiker, 2025.
- Fleckenstein, F., A. Odendahl und T. Schlüter, „Revolutionierung des internen Wissensmanagements“, Zeitschrift für das gesamte Kreditwesen, 2024.
- Schlüter, T., „Den Datenschatz der Sparkasse einfach heben“, Gastbeitrag in Kölsch & Bönnsch, Sparkasse KölnBonn, 2024.
- DAV, „Ergebnisbericht der Ausschüsse Rechnungslegung und Regulierung und Actuarial Data Science: Regulierung und Validierung von KI-Modellen“, 2024.
- Heisenberg, G., T. Schlüter und F. Fleckenstein, „Process Mining in Sparkassen“, BankPraktiker, 2021.
- Schlüter, T., „Finanzinstitute: Kundenansprache mit Data Analytics“, die Bank / KI-note, 2021.
- Brunen, A. C. und T. Schlüter, „Analytics im Bankensektor – Use Case: Text-Mining und Customer Relationship Optimierung“, Banking and Information Technology, 2019.
- Brunen, A. C. und T. Schlüter, „Analytics im Bankensektor“, Banking and Information Technology, S. 11–16, 2018.
- Schlüter, T., C. Brandt, F. Fleckenstein und A. Odendahl, „Vertriebspotentiale & Smartes Pricing-Monitoring: Optimale Preisstellung im Kreditgeschäft“, Zeitschrift für das gesamte Kreditwesen, 2018.
- Schlüter, T. und F. Fleckenstein, „Dispositionsrisiko und zukunftsgerichtete Einlagenmodellierung“, Betriebswirtschaftliche Blätter, 2017.
- Schlüter, T., A. Odendahl und F. Fleckenstein, „Bewertung variabler Produkte – Verbesserte periodische Ertragsmessung“, RISIKOMANAGER, Vol. 12, S. 13–18, 2015.
- Schlüter, T., A. Odendahl und F. Fleckenstein, „Variable Passivprodukte – Erfolgsrisiken durch dynamisches Kundenverhalten“, RISIKOMANAGER, Vol. 08, S. 1 und 7–10, 2014.
Interesse an einem Praxisimpuls?
Für Gastvorträge, Projektideen oder einen fachlichen Austausch zur Lehre.