Data Science & Business Analytics

Beschreibung

Die rasanten Entwicklungen in den Bereichen Rechenleistung, Sensorik, Speichersysteme und Internettechnologien wirken sich maßgeblich auf unsere Gesellschaft aus und verändern die Art und Weise, wie wir leben, miteinander agieren und arbeiten. Fahrzeuge werden sich bald autonom im realen Straßenverkehr bewegen, Smart-Home-Systeme erkennen individuelle Nutzerpräferenzen und passen sich diesen an und medizinische Assistenzsysteme unterstützen Ärztinnen und Ärzte bei der Diagnose schwer erkennbarer Krankheiten. Auch das Geschäftsumfeld wird zunehmend digitalisiert und der allgegenwärtige Einsatz von IT-Systemen für viele Unternehmen unverzichtbar. Solche Szenarien erfordern die Erfassung großer Datenmengen, die in hoher Frequenz in unterschiedlichsten Quellsystemen entstehen können. Die resultierenden Datenbestände stellen eine wertvolle Ressource dar, um datenzentrierte Geschäftsprozesse zu etablieren und eine faktenbasierte Entscheidungsfindung zu ermöglichen.

Um dieses Potenzial zu nutzen und mittels Daten Mehrwerte zu schaffen, sind Methoden und Werkzeuge der modernen Datenanalyse und des Datenmanagements erforderlich, die häufig unter dem Sammelbegriff Data Science & Business Analytics zusammengefasst werden. Dazu gehören vielfältige Ansätze aus unterschiedlichen Disziplinen wie Statistik, künstlicher Intelligenz, Natural Language Processing, Process Mining, Visual Analytics, Business Intelligence, Datenqualitätsmanagement, Data Governance und vielen mehr.

Vor diesem Hintergrund begrüßen wir in unserem Track die gesamte Vielfalt der wirtschaftsinformatik-bezogenen Forschungsbestrebungen in den Bereichen Data Science & Business Analytics (DS & BA). Diese reichen beispielhaft von der Generierung, Erhebung und Repräsentation von (Big) Data, über die Entwicklung innovativer Theorien, Methoden und Verfahren zur Lösung betriebswirtschaftlicher und gesellschaftlicher Problemstellungen, dem Design analytischer Artefakte bis hin zur Adoption und Integration dieser Ansätze in Unternehmen. Forschungsarbeiten zur Entwicklung neuer statistischer und maschineller Lernverfahren sind willkommen, insofern ein Bezug zur Lösung einer betriebswirtschaftlichen oder gesellschaftlichen Problemstellung aufgezeigt wird. Wir ermutigen Autorinnen und Autoren zur Einreichung von relevanten und originellen Beiträgen unter Ausschöpfung der methodischen Breite des Forschungsgebietes.

Themen

Mögliche Themen sind unter anderem:

  • Innovation and emerging trends in DS & BA
  • Business value and monetizing of DS & BA
  • Adoption, routinization, maturity, and use of DS & BA
  • DS & BA for social good, individual and societal empowerment, and digital responsibility
  • Explainable artificial intelligence and interpretable machine learning
  • Data privacy, data quality, and data governance
  • Opportunities and challenges of sharing data and open data
  • Digital manufacturing and the Internet of Things
  • Operational, real-time, or event-driven business analytics
  • Process mining and the benefits of robotic process automation
  • Visual analytics and unstructured data analysis (e.g., text, image, audio, video) to address organizational and/or societal challenges
  • Prescriptive analytics and operations research
  • Data work and data science occupation

Track Chairs

  • Patrick Zschech (Universität Leipzig)
  • Barbara Dinter (TU Chemnitz)
  • Natalia Kliewer (FU Berlin)
  • Konstantin Hopf (Universität Bamberg)

Associate Editors

  • Kai Heinrich (OVGU Magdeburg)
  • Sandra Zilker (FAU Erlangen-Nürnberg)
  • Sven Weinzierl (FAU Erlangen-Nürnberg)
  • Niklas Kühl (Universität Bayreuth)
  • Karoline Glaser (TU Dresden)
  • Frederik Möller (Universität Braunschweig)
  • Thorsten Schoormann (TU Braunschweig)
  • Nicolas Pröllochs (Universität Gießen)
  • Dimitri Petrik (Universität Stuttgart)
  • Jeannette Stark (TU Dresden)
  • Stefan Greulich (TU Dresden)
  • Simon Emde (Universität  Jena)
  • Milad Mirbabaie (Universität Bamberg)
  • Oliver Müller (Universität Paderborn)
  • Mayur Joshi (University of Ottawa)
  • Sebastian A. Günther (Universität Bamberg)
  • Henning Baars (Universität Stuttgart)
  • Benjamin van Giffen (University of St. Gallen)
  • Christian Schieder (OTH Amberg-Weiden)
  • Burkhardt Funk (Leuphana University Lüneburg)
  • Roland Müller (HWR Berlin)
  • Paul Alpar (Universtiät Marburg)
  • Ivo Blohm (University of St. Gallen)
  • Alexander Mädche (Karlsruhe Institute of Technology)
  • Bastian Amberg (FUB)
  • Lin Xie (University of Twente)
  • Andreas Fink (HSU Hamburg)
  • Guido Schryen (U Paderborn)