Syllabus

Title
6233 Data-based Storytelling
Instructors
Stephan Fally, MSc (WU), MSc
Contact details
Type
PI
Weekly hours
2
Language of instruction
Deutsch
Registration
02/15/23 to 02/19/23
Registration via LPIS
Notes to the course
Dates
Day Date Time Room
Monday 03/13/23 01:00 PM - 04:30 PM D2.0.030
Monday 03/20/23 01:00 PM - 04:30 PM D2.0.030
Monday 03/27/23 01:00 PM - 04:30 PM D4.0.136
Monday 04/17/23 01:00 PM - 04:30 PM D2.0.392
Monday 04/24/23 01:00 PM - 04:30 PM EA.5.040
Monday 05/08/23 01:00 PM - 03:00 PM D2.0.392
Monday 05/15/23 01:00 PM - 04:30 PM TC.4.14
Contents

Sowohl lokale Startups wie „Gurkerl“ als auch multinationale Unternehmen wie beispielsweise „Amazon“ haben stark in Ihre Data Science Departments investiert. Machine Learning Algorithmen laufen rund um die Uhr um Einblicke in die riesigen angesammelten Kundendaten zu bekommen. Nichtsdestotrotz müssen die von den Machine Learning Algorithmen ausgespuckten Koeffizeinten in ausführbare Geschäftsentscheidungen übersetzt werden. Dies kann zu ineffektiver Kommunikation führen, wenn Data Scientists und Führungspersönlichkeiten aus der Wirtschaft unterschiedliche Sprache verwenden.

Dieser Kurs bietet Studierenden die Möglichkeit die Lücke zwischen Data Science und Geschäftsentscheidungen zu schließen und „Daten-Übersetzer“ zu werden. Sie werden Einblicke in die Interaktion von Daten, Narrativen und Visualisierungen, und deren zugrundeliegenden neurowissenschaftlichen Konzepten, bekommen. Außerdem werden Sie lernen, wie man Daten effektiv kommuniziert, wenn das Publikum mit statistischem und Machine Learning Jargon nicht vertraut ist. Die Lerninhalte werden Studierenden theoretisch und praktisch nähergebracht.

Der Kurs ist in drei Abschnitte eingeteilt:

  1. Theorie und Praxis des Storytellings;
  2. Korrelation und Kausalität;
  3. Nach einer kurzen Einführung in die Neurowissenschaften der Wahrnehmung widmen wir uns deren Anwendung auf Theorie und Praxis von Visualisierungen.

Dieser Kurs verwendet die Programmiersprache R um Daten zu interpretieren und präsentieren.

Learning outcomes

Methoden, Prinzipien und Theorien von Dateninterpretation und -visualisierung sowie Kommunikation von datenbasierten Analysen und die Anwendung dieser im Business Setting.

Die Ziele des Kurses sind:

  • Übersetzter zwischen Data Scientists und Managern zu werden
  • Zu lernen wie man rohe Daten innerhalb eines Business Settings interpretiert
  • Zu lernen wie man datenbasierte Analysen mit Hilfe von angemessenen, neuronal-effektiven Visualisierungs- und Präsentationstechniken effektiv kommuniziert.
  • Zu lernen wie man Geschäfts- und Marktdaten mit Hilfe der Programmiersprache R analysiert und interpretiert. 
Attendance requirements

Sie müssen mindestens 80% aller Termine besuchen, um den Kurs zu bestehen. Alle versäumten Termine müssen mit einem Essay über die behandelten Materialien kompensiert werden. Dies gilt sowohl für Präsenz- als auch für Online-Einheiten (falls letzteres erforderlich sein sollte). Sowohl in der ersten Einheit als auch bei der Endklausur (vorletzte Einheit) besteht Anwesenheitspflicht.

Teaching/learning method(s)

Der Kurs wird mit einer Kombination aus interaktiven Vorlesungen, Klassendiskussionen, Fallanalysen, Computerübungen und Studentenpräsentationen unterrichtet. Die Theorien werden auf reale Daten angewandt, welche von den Studierenden präsentiert werden. Ziel ist es, eine offene Lernumgebung zu schaffen, die Trial-and-Error, Diskussionen und die Weiterentwicklung praktischer Fähigkeiten für datenbasierte Unternehmen fördert. Der Schwerpunkt des Kurses liegt auf (der neuronalen Repräsentation von) Datenvisualisierung und den Werkzeugen, die erforderlich sind, um interpretierbare und ansprechende Diagramme für verschiedene Zielgruppen zu erstellen.

Um auf die Vorlesungen vorbereitet zu sein, müssen Sie das für die Woche zugewiesene Material durcharbeiten und bereit sein, Fragen dazu zu beantworten. Die Einheiten selbst dienen (1) der Ermittlung und Anwendung von theoretischen Konzepten und (2) der Klärung unklarer Punkte die weiterer Diskussion bedürfen. Peer-Feedback und Klassendiskussionen werden ein wichtiger Teil des Kurses sein. Um wertvolle Beiträge zu den Diskussionen leisten zu können, ist eine gründliche Vorbereitung unerlässlich.

Assessment

Die Benotung setzt sich wie folgt zusammen:

  • Gruppenpräsentationen (40%)
  • Endklausur (30%)
  • Teilnahme an Diskussionen basierend auf dem Studienmaterial (schriftlich oder mündlich; 20%)
  • Aufgaben (10%)

Das Benotungsschema ist wie folgt definiert:

< 60%                               nicht genügend (5)

60% bis 69,99%               genügend (4)

70% bis 79,99%               befriedigend (3)

80% bis 89,99%               gut (2)

>= 90%                             sehr gut (1)

Readings

Please log in with your WU account to use all functionalities of read!t. For off-campus access to our licensed electronic resources, remember to activate your VPN connection connection. In case you encounter any technical problems or have questions regarding read!t, please feel free to contact the library at readinglists@wu.ac.at.

Recommended previous knowledge and skills

Grundlegende Statistikkenntnisse.

Achtung: Sie müssen ausreichend Englischkenntnisse mitbringen, um Literatur und Folien folgen zu können!

Availability of lecturer(s)

Auf Nachfrage.

Last edited: 2023-02-10



Back