Refine
Document Type
- Bachelor Thesis (24)
- Master's Thesis (3)
Keywords
- Suchmaschine (3)
- WordPress (3)
- Daten (2)
- Nachhaltigkeit (2)
- Power BI (2)
- Suchmaschinenoptimierung (2)
- Visualisierung (2)
- Website (2)
- Alltag (1)
- Alternative für Deutschland (1)
Die Musikindustrie hat über die letzten Jahre einen nachhaltigen, digitalen Wandel erlebt. Sowohl Streaming- als auch Social-Media Plattformen sind zu bedeutenden Akteuren in diesem Bereich herangewachsen. Insbesondere TikTok hat sich dabei als Marketinginstrument für Musiker etabliert. Die vorliegende Bachelorarbeit untersucht die möglichen Faktoren, die den Erfolg von Musikern auf TikTok beeinflussen und wie sie das Kurzvideoportal nutzen können, um ihre Karriere zu fördern. Dafür werden die Erkenntnisse aus relevanten Literaturinhalten, aktuellen Studien und Online-Quellen zusammengefasst und miteinander kombiniert. Zudem werden die Strategien etablierter Musiker und aufstrebender Künstler auf TikTok analysiert. Die Ergebnisse zeigen, dass der Erfolg eines Musikstücks und seines Interpreten auf TikTok sowohl durch die kreative Produktion und Präsentation als auch durch die Interaktion mit der Community beeinflusst werden kann. Für Musiker gilt es, TikTok-Trends zu setzen, sie zu erkennen und auf diese zu reagieren.
Das Ziel der vorliegenden Arbeit ist es zu analysieren, welche Einflusskräfte in der Branche Indoor-Farming wirken und wie hoch ihre Ausprägung ist. Dazu wird die folgende Forschungsfrage gestellt: Welche kritischen Erfolgsfaktoren lassen sich anhand von Porters Five-Forces-Modell für Indoor-Farming-Betriebe identifizieren und welche Chancen, Trends sowie Risiken können daraus abgeleitet werden? Um die Forschungsfrage zu beantworten, wurde mittels der induktiven Forschung eine Literaturrecherche in Branchen relevanten Quellen durchgeführt und diese mit Hilfe von Porters Five-Forces-Modell analysiert. Die Ergebnisse zeigen, dass der Einfluss der Lieferanten stark ausgeprägt ist und der Wettbewerb innerhalb der Branche zunimmt. Zusätzlich befindet sich die Indoor-Farming Branche erst im Aufbau und der Markt wird von wenigen Unternehmen beherrscht. Neben großen Produktionsstätten haben sich kleinere In-Store-Farmen und Container-Farmen etabliert, die es den Unternehmen ermöglichen Transportkosten zu reduzieren. Auf dieser Grundlage ist es empfehlenswert, entsprechende Anbaukonzepte zu optimieren, um einen Wettbewerbsvorteil zu erlangen und kostengünstig dem Endverbraucher frische Produkte bereitzustellen.
Bestimmte Trader legen bei ihren Transaktionen sehr viel Wert auf Risikominimierung. Um zu bestimmen, was für ein Risiko bei einem Kauf eingegangen wird, greifen sie insbesondere auf Daten zur Volatilität der Aktien zurück. Besonders informativ ist dabei die prognostizierte zukünftige Volatilität der Aktien.
Die vorliegende Arbeit behandelt die Volatilitätsprediktion mit Hilfe von rekurrenten neuronalen Netzen. Mithilfe von Modellen sollen Volatilitäten in Finanzmarktdaten prognostiziert werden. Dazu wurde folgende Forschungsfrage entwickelt: Wie und mit welcher Genauigkeit sind rekurrente neuronale Netze in der Lage, die Volatilität von Finanzmarktdaten voraus zu sagen? Außerdem wurde der Ansatz verfolgt, unterschiedliche rekurrente neuronale Netze im Bezug auf das Prognosepotential der jeweiligen Arten zu vergleichen.
Zu diesem Zweck wurden vier verschiedene Modelle erstellt und mit Daten des deutschen Aktienindex DAX trainiert. Auf Basis des Trainings prognostizierten die Modelle eine gewisse Anzahl an Volatilitätswerten. Mithilfe dieser Vorhersagewerte wurden die Modelle dann auf unterschiedliche Aspekte analysiert und interpretiert.
Die Ergebnisse zeigen, dass komplexere Modelle wie ein Long-Short-Term-Memory (LSTM), ein Gated Recurrent Unit (GRU) oder Kombinationen aus LSTM und GRU bessere Ergebnisse liefern als simplere rekurrente neuronale Netze, da erstere mehr Informationen aus den vorangegangenen Daten nutzen können und so eine Art Langzeitgedächtnis entwickeln. Weitere Forschung könnte Bezug auf andere Daten nehmen und so ein General-Purpose-Modell für unterschiedliche Indizes erstellen.
Durch den rasanten Anstieg der Digitalisierung gewinnt die Datenanalyse in Unternehmen und Forschungsprojekten immer mehr an Bedeutung. Dabei ist eine Datenanalyse für nicht ausgebildetes Personal schwierig umzusetzen. Dementsprechend wird im Rahmen der Bachelorarbeit ein Tutorial für die Durchführung einer Datenanalyse in Microsoft Power BI entwickelt. Die Entwicklung wird sich mit der Frage auseinandersetzen, wie sich die Grundlagen zielgerichtet erklären lassen, wenn die Nutzer des Tutorials keine Kenntnisse in Programmiersprachen besitzen. Denn der theoretische Teil behandelt die Grundlagen von Microsoft Power BI und der Formelsprache DAX. Darauf aufbauend werden im praktischen Teil des Tutorials die DAX-Funktionen für die Datenanalyse auf einen zur Verfügung gestellten Datensatz angewendet. Zum Schluss wird aus dem entwickelten Tutorial ein abgeleitetes Visualisierungsbeispiel vorgelegt.
Im Zuge ansteigender Datenmenge und der zunehmenden Anforderung, ein datengetriebenes Unternehmen zu werden, steigt auch die Komplexheit hinsichtlich der Datenintegration. Dabei gibt die Datenarchitektur stark vor, wie die Datenintegration erfolgt, doch gerade in diesem Umfeld hat sich in den letzten Jahren viel bewegt: Nach dem Data Warehouse kam der Data Lake und seit einigen Jahren wird verstärkt der Data Mesh diskutiert. Hier knüpft diese Arbeit mit einem multikriterielle Entscheidungsmodell an, das erarbeitet sowie zur Machbarkeitsanalyse exemplarisch an einem fiktiven Fallbeispiel appliziert wird. Dies schließt insbesondere eine fundierte und literaturgestützte Recherche der Architekturalternativen, der entscheidungskritischen Kriterien sowie der multikriteriellen Beschreibung der Alternativen ein.
Der Analytic Hierarchy Process ist dabei die Methode, mit der die Kriterien und Alternativen untereinander verglichen werden. Der Anwendung der Entscheidungshilfe liegt dabei ein fiktives Fallbeispiel eines Einzelhandel Unternehmens zugrunde. Das Unternehmen wird charakterisiert und die Kriterien untereinander, im Hinblick auf die drei Alternativen und bezogen auf das Fallbeispiel, bewertet.
Die Forschung ist sowohl akademisch als auch für Praktiker relevant und setzt eine bewährte Methode zur strukturierten Entscheidungsanalyse ein. Die Ergebnisse sind auf andere, insbesondere vergleichbare Problemstellungen übertragbar. Weitere Forschungsstränge können sich auf weitere Entscheidungsanalysemethoden beziehen und auch experimenteller Natur sein, die das gewichtete Entscheidungsmodell auf seine Validität prüfen können.
Das Ziel in dieser Arbeit soll es sein ein Recommender System für den Fußball zu entwickeln, welches Vereine bei der Suche nach potenziellen neuen Spielern unterstützen soll. Um dieses System zu entwickeln bedarf es zunächst einer Sichtung von möglichen Datenquellen. Hierzu wird letztlich ein Webscraper verwendet um benötigte Daten von Spielern von der Seite fbref.com zu sammeln. Für die Analyse der Daten wird das k-means Clustering verwendet, welches die Spieler innerhalb ihrer unterschiedlichen Spielstile einteilen soll. Zur Verbesserung der Clustering Ergebnisse werden die Spieler bereits zuvor in die Kategorien Verteidigung, Mittelfeld und Sturm unterteilt. Die gewonnenen Spielercluster werden in einem abschließenden Schritt mittels Faktorenanalyse miteinander verglichen und die Spieler erhalten innerhalb ihres Clusters eine Platzierung. Mit Hilfe dieser Platzierung soll es Vereinen ermöglicht werden, bereits erste Vorauswahlen treffen zu können.