Prof. Dr. Volker Klingspor
Wirtschaftsinformatik
Lehre Grundstudium
Aktuelle Veranstaltung
Die jeweils aktuellen Veranstaltungen werden über Moodle gepflegt. Teilnehmer*innen schreiben sich bitte in die Kurse Wirtschaftsinformatik 1 bzw. Wirtschaftsinformatik 2 ein. Alle notwendigen Informationen finden Sie dort.
Zielgruppe:
Die Vorlesung richtet sich an Studierende des zweiten und dritten Semesters aller Bachelor-Studiengänge Wirtschaft und Wirtschaftsingenieurwesen (Bau).
Die studienbegleitenden Prüfungen finden als einzelne Klausur nach dem 3. Semester (180 Minuten) (neue PO) bzw. nach dem 4. Semester (180 Minuten) (WiIng Bau) statt.
ECTS 10 Punkte
Ziele der Ausbildung:
Es werden grundlegende Prinzipien, Methoden, Modelle und Werkzeuge der Wirtschaftsinformatik vermittelt. Dadurch werden die Absolventen befähigt, Informations- und Kommunikationstechniken im betrieblichen Rahmen zielgerecht einzusetzen.
Im Vordergrund stehen die allgemeingültigen Konzepte, konkrete Produkte werden herangezogen, um Konzepte zu verdeutlichen oder umzusetzen.
Gliederungsübersicht
- Datenbanken
- Grundlagen der Wirtschaftsinformatik
- Entity-Relationship Modellierung von Daten
- Abbildung von Modellen auf konkrete Tabellenstrukturen
- SQL
- Datenanalyse mit Python
- Datenmanipulation
- Datenauswertung
- Datenvisualisierung
- Datenvalidierung
Zu den alten Inhalten (VBA, Datenbanken) werden im Wintersemester 24/25 und im Sommersemester 2025 letztmalig Prüfungen angeboten.
Teilnehmer*innen schreiben sich bitte in den Moodle-Kurs Wirtschaftsinformatik (alte Inhalte) ein. Alle notwendigen Informationen finden Sie dort.
Vorleistungen zu VBA können Sie weiterhin in IBIX ablegen. Die entsprechenden Termine sind dort eingetragen.
Lehre Hauptstudium
Die Daten, die Unternehmen über Kunden, Produktionsprozesse usw. erheben werden immer mehr zur zentralen Quelle für die Entscheidungsfindung. Beispiele aus dem e-Commerce Handel und der Digitalisierung in der Industrie sind Fragen der Art:
- Welchem Kunden sollen wir Werbung schicken? (Targeted Marketing)
- Wieviel Geld können wir für die Akquise eines bestimmten Neukunden ausgeben?
- Zu welchem Preis können wir ein Produkt anbieten? (Dynamic Pricing)
- Was ist das wirtschaftlichste Wartungsintervall für eine Maschine/Auto/Triebwerk? (Predictive Maintenance)
Data Science ist die Kunst, wichtige Informationen aus einer Vielzahl von Daten zu gewinnen. Diese Informationen können dann genutzt werden, um die Fragestellungen aus Unternehmen und Fachabteilungen bestmöglich zu beantworten. Das ermöglicht im Schluss die Grundlage für datengetrieben Entscheidungsfindung in Unternehmen.
Das Maschinelle Lernen bietet eine Vielzahl von Methoden, um Informationen aus Daten zu bekommen. Diese Methoden und ihre Anwendung kennenzulernen ist Gegenstand des Kurses Data Science.
Zielgruppe:
Die Zielgruppe des Kurses sind Studierende der Studiengänge BWL/VWL, Wirtschaftsinformatik und International Business Management. Der Kurs baut auf Grundkenntnissen der Wirtschaftsmathematik und Wirtschaftsstatistik, sowie der Wirtschaftsinformatik auf und wird für Studierende ab dem 5. Semester angeboten.
Der Kurs gliedert sich in zwei Semester: Im ersten Teil (Data Science 1) werden theoretische und praktische Kenntnisse zur Datenanalyse vermittelt. Abschluss von Data Science 1 ist eine Klausr.
Der zweite Teil ist ein projektorientiert und widmet sich der Umsetzung von Datenanalysen in mehreren kleinen Projekten in denen die Analyse von der Datenaufbereitung bis hin zum Training von maschinellen Lernmodellen vertieft und diskutiert wird. Am Ende von Data Science 2 steht eine Hausarbeit mit Präsentation an.
Ziele der Ausbildung:
Die Studierenden des Kurses Data Science bekommen einen Überblick über die Prozesse der Datenanalyse in modernen Unternehmen. Darüber hinaus lernen sie verschiedene Methoden der Datenanalyse kennen - insbesondere Methoden des maschinellen Lernens - und können diese nach Abschluss des Moduls auch selbstständig anwenden.
Gliederungsübersicht
<folgt noch>
Hinweis zu IKSY
IKSY 1 wird bis auf weiteres nur noch im Wintersemester, IKSY 2 nur im Sommersemester angeboten.
In der Veranstaltung erhalten Sie im ersten Teil eine Einführung in PHP sowie Javascript. Diese beiden Scriptsprachen sind der Standard für Webanwendungen. Durch die Verbindung mit einer Datenbank enstehen dadurch webbasierte Informationssysteme welche für Unternehmen einen Wettbewerbsvorteil bedeuten können. Eine Übersicht über die derzeit aktuellen Mobile Web Technologien für die beiden meistverwendeten Betriebssysteme, IOS und Android, runden den ersten Teil der Veranstaltung ab.
Im zweiten Teil erstellen Sie in Teamarbeit Ihre eigene Webanwendung unter Verwendung von PHP/Javascript sowie MySQL.
Nach erfolreichem Besuch des Schwerpunktseminars sind die StudentInnen mit aktuellen Entwicklungen vertraut und in der Lage, in interdisziplinären Teams zur Weiterentwicklung von Geschäftsprozessen mitzuarbeiten, die Kosten und den Nutzen solcher Projekte zu bewerten sowie ggf. eigene kleinere Webanwendungen zu entwickeln.
Eine vorhergehende Anmeldung ist nicht notwendig, es reicht in der ersten Veranstaltung anwesend zu sein.
Entwicklung von webbasierten Anwendungen
Unterrichtsform:
1. Teil:
Seminaristischer Unterricht mit praktischen Übungen am Rechner
- HTML5-Grundlagen
- CSS
- Formulare
- Document Object Modell
- PHP/Javascript-Grundlagen
- Syntax
- Kontrollstrukturen
- Funktionen
- Objektmodell
- Integration in HTML
- PHP/Javascript/MySQL
- Dynamische Webseiten
- Anbindung von Datenbanken
- Mobile Web
- Einführung in die App-Entwicklung für IOS und Android
- Einführung in responsive Design
2. Teil
Praxisprojekt
Das vermittelte Wissen aus dem ersten Teil der Veranstaltung wenden Sie in einem Praxisprojekt im zweiten Teil an. Es werden Teams gebildet welche dann selbständig ein Praxisprojekt unter Zuhilfenahme der verschiedenen Webechnologien umsetzen.
Lernziele
- Grundsätzliches Verständnis des Aufbaus im Internet
- Verständnis clientbasierter Web-Technologien
- Vertiefung oder Erwerb von Programmierkenntnissen
- Überblick über ausgewählte, aktuelle Entwicklungen
- Entwicklung von mobilen Anwendungen (Apps)
Prüfungsform
- 1. Teil
- Klausur am Semesterende
- Klausur am Semesterende
- 2. Teil
- Bewertung des Praxisprojekts
- Mündliche Prüfung
Aktuelle Veranstaltung
Die jeweils aktuelle Veranstaltung wird über Moodle gepflegt. Teilnehmer*innen schreiben sich bitte in den Kurs ProSy ein. Alle notwendigen Informationen finden Sie dort.
Zielgruppe:
Dieses Seminar richtet sich an Studierende des zweiten Studienjahres Wirtschaftsinfomatik und des dritten Studienjahres Wirtschaft.
Inhalt:
Das Seminar beschäftigt sich mit der Analyse von Prozessen und Anwendungen in Unternehmen. Zur Analyse und zur Darstellung der Ergebnisse wird die "Unified Modeling Language" (UML) verwendet. Insbesondere wird die Modellierung mit Hilfe von
- Anwendungsfällen
- Aktivitätsdiagrammen
- Sequenzdiagrammen
praktiziert.
Das Seminar wird in Projektform durchgeführt. Die Teilnehmer erarbeiten in Gruppen zu einem vorgegebenen Problem (z.B. den Anwendungsfällen der Bibliothek) ein Modell. Dieses wird am Ende des Semesters den anderen Gruppen präsentiert.
Die Benotung basiert auf den Projektergebnissen und der Präsentation. Bei inhomogenen Gruppen wird eine mündliche Prüfung durchgeführt.
Aktuelle Veranstaltung
Die jeweils aktuelle Veranstaltung wird über Moodle gepflegt. Teilnehmer*innen schreiben sich bitte in den Kurs ProSy 2 ein. Alle notwendigen Informationen finden Sie dort.
Zielgruppe:
Dieses Seminar richtet sich an Studierende des dritten Studienjahres Wirtschaft.
Inhalt:
In ProSy 2 betrachten wir ein virtuelles Unternehmen aus Sicht der Daten:
- Welche Daten werden in welchen Komponenten benötigt?
- Wie werden die Daten gespeichert?
- Mit welchen anderen Unternehmen interagieren wir?
- Was müssen wir bezüglich Datenschutz und Informationssicherheit beachten?
Das Seminar wird in Präsenz in Gruppen als Projekt durchgeführt. Die Teilnehmer erarbeiten in Gruppen zu einem vorgegebenen Problem ein Modell. Dieses wird am Ende des Semesters den anderen Gruppen präsentiert.
Die Benotung basiert auf den Projektergebnissen und der Präsentation.
Persönliches
Vita
1986-1991:
Studium der Informatik an der Universität Bonn
1991-1992:
Software-Entwickler
1992-1998:
Wissenschaftlicher Angestellter an der Universität Dortmund, Lehrstuhl für Künstliche Intelligenz
1998:
Promotion zum Dr. rer.nat.
1998-2005:
Berater und Software Architekt für objektorientierte Technologien und Business Integration, SerCon GmbH
2005:
Ernennung zum Professor mit dem Lehrgebiet Wirtschaftsinformatik an der Fachhochschule Bochum
Monographien
Morik, K. und Klingspor, V., (2005).
Informatik kompakt – eine grundlegende Einführung mit Java ( http://informatikkompakt.cs.uni-dortmund.de/).
Springer Verlag, Heidelberg.
Klingspor, V., (1999).
Reaktives Planen mit gelernten Begriffen. Dissertationen zur Künstlichen Intelligenz Band 208, infix, St. Augustin.
Morik, K., Kaiser, M. und Klingspor, V., Hrsg. (1999).
Making Robots Smarter – Behavioral Learning Combines Sensing and Action. Kluwer Academic Press.
Klingspor, V., Hrsg. (1996).
Procs. of the 5th European Workshop on Learning Robots, Forschungsbericht Nr. 619/96. Universität Dortmund, Fachbereich Informatik.
Zeitschriftenartikel
Klingspor, V. (2018)
Berechnung populärer Routen. AGIT - Journal für Angewandte Geoinformatik: 4, S. 189-198. [PDF]
Klingspor, V. und Michels, E. (2003).
Aufdecken des Kundenverhaltens mittels Data Mining, Information Management & Consulting, (18/02):69-73.
Klingspor, V., Demiris, J. und Kaiser, M. (1997).
Human-Robot-Communication and Machine Learning. Applied Artificial Intelligence, 11(7/8):719-746.
Klingspor, V., Morik, K. und Rieger, A. (1996).
Learning Concepts from Sensor Data of a Mobile Robot. Machine Learning, 23(2/3):305-332.
Kaiser, M., Klingspor, V., del R. Millán, J., Accame, M., Wallner, F. und Dillmann, R. (1994).
Using Machine Learning Techniques in Real-World Mobile Robots. IEEE-Expert, 10(2):37-45.
Egner, J., Klingspor V., Pape, S., Schmid, M. (1981).
Simulation eines Parkhauses mit betriebswirtschaftlicher Optimierung. Log In, 1(1): 51-54.
Buchbeiträge
Klingspor, V. (2016).
Why Do We Need Data Privacy? In Michaelis, S. etal., Hrsg. (2016). Solving Large Scale Learning Tasks. Challenges and Algorithms. Springer. http://www.springer.com/de/book/9783319417059
Rieger, A. und Klingspor, V. (1999).
Program Optimization for Real-Time Performance. In Morik, K., etal., Hrsg. (1999). Making Robots Smarter – Behavioral Learning Combines Sensing and Action. Kluwer Academic Press.
Kaiser, M., Friedrich, H., Klingspor, V. und Morik K. (1999).
Learning in Human-Robot Communication. In Morik, K., etal., Hrsg. (1999). Making Robots Smarter – Behavioral Learning Combines Sensing and Action. Kluwer Academic Press.
Klingspor, V. und Morik K. (1999).
Learning Understandable Concepts for Robot Navigation. In Morik, K., etal., Hrsg. (1999). Making Robots Smartert – Behavioral Learning Combines Sensing and Action. Kluwer Academic Press.
Klingspor, V. (1999).
Reactive Planning with Learned Operational Concepts. In Tzafestas, S., Hrsg., Advances in Intelligent Autonomous Systems. Kluwer Academic Press.
Klingspor, V. und Morik, K. (1999).
Towards Concept Formation Grounded on Perception and Action of an Autonomous Mobile Robot. In Ritter, H., Dean, J., Cruse, H., (eds.): Prerational Intelligence: Adaptive behavior and intelligent systems without symbols and logic. Vol. 2., Seiten 503-518, Kluwer Academic Press.
Klingspor, V. (1999).
Reaktives Planen mit gelernten Begriffen. In Ausgezeichnete Informatikdissertationen 1998, Seiten 92-101, Teubner Verlag.
Beiträge zu Konferenzen und Workshops
Kaiser, M., Klingspor, V. und Friedrich, H. (1997).
Human-Agent Interaction and Machine Learning. In Procs. of the 9th European Conference on Machine Learning, Seiten 345-352, Springer Verlag.
Klingspor, V. (1996).
On-line Inference of Off-line Learned Operational Concepts. In Hexmoor, H. und Meeden, L., Hrsg., ROBOLEARN '96: An International Workshop on Learning for Autonomous Robots, Seiten 54-63, Key West.
Klingspor, V. und Sklorz, S. (1995).
Representing, Learning, and Executing Operational Concepts. In Kaiser, M., Hrsg., Procs. of the 3rd European Workshop on Learning Robots, Kreta.
Dillmann, R., Kaiser, M., Klingspor, V., Morik, K. und Wallner, F. (1995).
Teaching and Understanding Intelligent Service Robots - A Machine Learning Approach. In Procs. of the KI-Workshop on Information Processing for Intelligent Service Robots, Bielefeld.
Klingspor, V. und Morik, K. (1995).
Towards Concepts Formation Grounded on Perception and Action of a Mobile Robot. In Rembold, U. etal., Hrsg., IAS-4, Procs. of the 4th International Conference on Intelligent Autonomous Systems, Seiten 271-278, Amsterdam, IOS Press.
Kaiser, M., Camarinha-Matos, L., Giordana, A., Klingspor; V., del R. Millán, J., Natale, F.D., Nuttin, M. und Suárez, R. (1994).
Robot Learning - Three case studies in Robotics and Machine Learning. In Witvrouw, W., Hrsg., IVAR-94 - Workshop on Industrial Vision and Autonomous Robots and Medical Imaging, Leuven.
Klingspor, V. (1994).
Repräsentation operationaler Begriffe. In Bergmann, R. etal., Hrsg., Beiträge zum 8. Workshop Planen und Konfigurieren, Seiten 88-97, Kaiserslautern.
Klingspor, V. (1994).
GRDT: Enhancing Model-based Learning for its Application in Robot Navigation. In Wrobel, S. Hrsg., Procs. of the Fourth International Workshop on Inductive Logic Programming, GMD-Studien Nr. 237, Seiten 107-122,. GMD, St. Augustin
Klingspor, V. (1993).
On the Application of ILP Techniques to Robot Navigation Tasks. In Giordana, A., Hrsg., Procs. of the 2nd European Workshop on Learning Robots, Turin.
Sprechstunde:
nach Absprache per Email
