Grunddaten
Titel | Kausale Inferenz und Algorithmische Induktion im Management |
Beschreibung | Im Rahmen unserer MigHANA-Forschungskooperation (https://uol.de/vlba/projekte/mighana) und gemeinsam mit unserem Projektpartner OOWV (https://www.oowv.de/) entwickeln wir innovative Ansätze für IT-Systeme zur Unterstützung sogenannter "Management Control Systems" (MCS; https://en.wikipedia.org/wiki/Management_control_system). Management Control Systems werden eingesetzt, um Organisationen bei der Erreichung ihrer Ziele zu helfen. Sie nutzen IT-Systeme oder strukturierte, unstrukturierte und sogar zufällige Interaktionen zwischen Menschen, um Rückmeldungen über die Zielerreichung zu geben, Vorhersagen zu erstellen und neue Prognose- und Entscheidungsmodelle zu entwickeln. Solche "Interventionen" können operationaler, taktischer oder strategischer Natur sein. Beispiele sind:
In allen drei Fällen braucht die/der Verantwortliche eine Vorstellung davon, wie bestimmte Interventionen - unter Berücksichtigung aller relevanten Faktoren - den Lauf der Dinge beeinflussen werden. Also beispielsweise: „Eine Preiserhöhung von 7% bei Holzkohle wird bei warmem Wetter und einem Sieg der lokalen Fußballmannschaft die Nachfrage nur um 0,5% verringern“ oder "Eine Reduktion der Wasserpreise um 5% zwischen 22 und 6 Uhr wird zu 20% weniger Verbrauchsspitzen führen". (Nebenbei bemerkt: auch "Nichtstun" zählt als Intervention). Um derlei Entscheidungen treffen zu können, sind – unter anderem – zwei Dinge erforderlich:
Mit dem Zugang zu einer wachsenden und sich immer rascher verändernden Datenflut werden die genannten Kausalmodelle a) immer komplexer und müssen b) in immer kürzerer Zeit revidiert werden. Was die Frage aufwirft, ob die Modellentwicklung und Modellrevision maschinell unterstützt werden können, beispielsweise durch bereits implementierte Methoden zur Herleitung kausaler Hypothesen (kausale Inferenz und algorithmische Induktion). Eine Einführung in das Thema „kausale Inferenz“ findet sich auf https://youtu.be/nWaM6XmQEmU; zur algorithmischen Induktion allgemein finden sich zahlreiche Fachartikel in den einschlägigen Datenbanken, grundsätzlich können hierbei unterschiedliche Ansätze (maschinelles Lernen, statistische Verfahren) zum Einsatz kommen. |
Heimateinrichtung | Department für Informatik |
Art der Arbeit | praktisch / anwendungsbezogen |
Abschlussarbeitstyp | Master |
Autor | Michael Mattern |
Status | verfügbar |
Aufgabenstellung | Unser Projektpartner - der OOWV - plant eine Migration von den klassischen ERP- und Data-Warehousing-Lösungen der SAP SE auf deren SAP HANA-basierte In-Memory-Äquivalente. Die zu erwartenden dramatischen Verbesserungen der Performance bieten die Gelegenheit, bahnbrechende Methoden für die Entwicklung von Entscheidungsmodellen auf Grundlage von Kausalzusammenhängen in der Unternehmenspraxis zu implementieren.
|
Voraussetzung | Ideale Voraussetzungen für die Masterarbeit wären Vorkenntnisse/Interessen in den Bereichen maschinelles Lernen, Kenntnisse in der induktiven Statistik, das Interesse an Systemen im Bereich der strategischen Unternehmenssteuerung sowie Programmierkenntnisse in Python und/oder R. Die Einarbeitung in SAP wird intensiv unterstützt; daneben ist eine eigenständige Einarbeitung in die Themen algorithmische Induktion und kausale Inferenz (im letzteren Bereich auch in einige bereits implementierte Methoden) erforderlich. Das Thema ist besonders interessant für Studentinnen/Studenten, die eine Karriere als IT- oder Management-Consultant anstreben (z.B. in den Technologieablegern der grossen Consulting-Firmen). Angesichts der Häufung sogenannter black swans (https://en.wikipedia.org/wiki/Black_swan_theory) in jüngster Zeit bieten sich in diesem Bereich hochinteressante Beschäftigungsperspektiven bei Softwareunternehmen, technologieorientierten Beratungshäusern und im akademischen Bereich. |
Erstellt | 04.04.2022 |