Kooperative Forschung

Das Business Innovation Center betreibt kooperative Forschung gemeinsam mit dualen Partnern, die meisten davon Mittelständler. Die Durchführung erfolgt anwendungs- und transferorientiert. Der Fokus liegt auf folgenden Themen:

  • Entwicklung innovativer Konzepte und Strategien für die Optimierung von Geschäftsprozessen,
  • Erweiterung und Einführung von digitalen Produkt- und Serviceangeboten,
  • Gestaltung völlig neuer Geschäftsmodelle unter Nutzung der digitalen Technologien.

Die kooperative Forschung erfolgt im Rahmen von Studien-, Bachelor- und Masterarbeiten sowie als forschungsintegrierte Lehre. Unten stehend finden sich für beide Themengebiete Beispiele aus der jüngsten Vergangenheit. Sollten Sie an einer Zusammenarbeit mit dem Business Innovation Center interessiert sein, freuen wir uns über Ihre Kontaktaufnahme.

Studien-, Bachelor- und Masterarbeiten

In diesem Bereich werden mit wissenschaftlichen Methoden für die Partnerunternehmen Fragestellungen zu innovativen Geschäftsprozessen, Geschäftsmodellen und Produkten bearbeitet. Das BIC berät hierbei sowohl methodisch als auch softwaretechnisch. Beispiele hierfür sind:

  • Entwicklung eines Konzeptes zur Steigerung von positiven Online-Rezensionen auf Google My Business (BA 2020)
  • Entwicklung eines Konzeptes zur Erweiterung des Produktgeschäftes um Serviceangebote (BA 2020)
  • Optimierung des Retourenmanagement in der Backbranche mit Hilfe einer mobilen App (BA 2020)
  • Vorhersage der Standardlieferzeiten mithilfe eines künstlichen neuronalen Netzes (BA)
  • Analyse von verfügbaren Robotic Process Automation (RPA) Lösungen zur Geschäftsprozessoptimierung (BA)
  • Konzeption und Umsetzung von Machine Learning Algorithmen zur Klassifizierung von Supporttickets (BA)
  • Meteorologische Einflüsse auf den Einzelhandel - Analyse der Effekte auf das Kaufverhalten in ausgewählten Sortimentsbereichen und Ableitung von Handlungsempfehlungen für einen Baumarkt (BA),
  • Sentiment-Analyse von Tweets auf Basis der Stanford NLP Core Library (Studienarbeit)
  • Ein Konsensmodell für die Entscheidungsfindung in einer Gruppe mit unvollständigen Fuzzy-Präferenzbeziehung (Studienarbeiten)
  • Analyse des Erfolgspotenzials von Cross-Channel-Services und Ableitung von Handlungsempfehlungen für die Entwicklung einer Cross-Channel-Strategie (Studienarbeit)

Forschungsintegrierte Lehre

Im Bereich der forschungsintegrierten Lehre werden betriebliche Fragestellungen insbesondere zur Digitalen Transformation und den digitalen Technologien wie Künstliche Intelligenz, Machine Learning und Big Data aufgegriffen, vermittelt und in projektartigen Settings behandelt. Beispiele hierfür sind:

  • Sentiment-Analyse zu vier deutschen Banken
    Die Studierenden wenden Textmining-Methoden wie Tokenization, lexicon-based Lemmatization, Naive-Bayes Classifier auf Tweets über die Sparkasse, Volksbank, Commerzbank und Deutsche Bank an. Ziel ist, Stimmungsschwankungen zu den Banken über einen längeren Zeitraum zu erkennen (mit Apache Spark u.a.).
  • Erkennung von Verkehrsschildern
    Die Studierenden trainieren mehrere Convolutional Neural Network (CNN), wie z.B. LeNEt, AlexNEt, ResNEt, Xception, SENnet. Ziel ist Verkehrsschilder zu erkennen und die entstandenen Modelle zur Vorhersage neuer Verkehrsschilder anzuwenden (mit TensorFlow 2.0).
  • Erkennen von Ausreißern und Neuheiten in Maschinendaten (Predictive Maintenance)
    Die Studierenden wenden Recurrent Neural Networks (RNN) auf reale Maschinendaten an, um damit Ausreißer von Neuheiten (i.S.v. neuen akzeptablen Daten) zu unterscheiden (mit TensorFlow 2.0).
  • Machine Translation Deutsch – Allemanisch
    Die Studierenden wenden Encoder-Decoder Neural Networks Bidirectional RNN) an zur automatischen Übersetzung von Deutsch auf Allemanisch und umgekehrt (mit TensorFlow 2.0).
  • Erklärbarkeit von Daten anhand LIME und Shap Values
    Die Studierenden wenden die Erklärungsmodelle LIME und Shap Values auf aktuelle Corona-Daten des RKI an (mit KNIME).