Fallstudienkurs Controlling Analytics Challenge

Die auf dem Arbeitsmarkt geforderten Fertigkeiten haben sich drastisch gewandelt und erfordern zunehmend Kenntnisse in der selbstständigen, IT- bzw. KI-gestützten Datenanalyse und deren Anwendung zur Managementunterstützung. Der Aufbau dieser Fertigkeiten und eines tieferen Analyseverständnisses erfordert handlungsorientierte Lehrkonzepte, die den Schritt vom Kennen fachlicher Methoden und Lösungswege zum Umsetzungs-Können unterstützen und auf berufliches Handeln kompetenzorientiert vorbereiten.

Praxisnahe Fallstudien ermöglichen die direkte Anwendung der Lehrveranstaltungsinhalte mit Dekontextualisierung.

Modulare Lernvideos auf einer interaktiven Lernplattform vermitteln Statistik- und Programmierkenntnisse – Studierende lernen im eigenen Tempo.

LLMs können bei der Datenanalyse unterstützen. Das ursprünglich studentische Peer-Review-Element wurde zum KI-Review adaptiert, um gleichzeitig den kritischen Umgang mit KI zu vermitteln.

Während der Blended-Learning-Phase und der Fallstudienbearbeitung wurde subsidiäres Coaching angeboten, um Überforderung und Fehlprozesse zu vermeiden.

Studentische Video-Fallstudienpräsentationen wurden von einer Jury bewertet. Die besten Präsentationen nahmen am Fallstudienwettbewerb mit Studierenden-Voting teil: Stärken und Schwächen der Lösungen werden so im Plenum diskutiert und gleichzeitig herausragende Beispiele verdeutlicht.

Der Master-Prototyp-Kurs wurde komplexitätsreduziert für Bachelor-Studiengänge adaptiert und implementiert.

Das Projekt fokussierte zunächst auf den Master-Bereich und wurde nach einer komplexitätsreduzierenden Anpassung der Fallstudien und der Didaktik auch für Bachelor-Studiengänge umgesetzt.

Die Einschätzungen von Praxisvertretern und Studierenden wurden zur Anpassung auf Bachelorniveau genutzt. Eine detaillierte Befragung der Bachelor-Studierenden rundete die Erprobung der Maßnahme ab.

Technische Voraussetzungen

- Zugang zu einer Online-Plattform zur Bereitstellung einer einheitlichen Programmierumgebung für alle Studierenden

- Studierende verfügen über eigene Notebooks

Didaktische Voraussetzungen

- Entwicklung von Lernvideos zu Umsetzung der Blended-Learning-Inhalte

- Entwicklung anforderungsgerechter, praxisnaher und zugleich methodisch generalisierender Fallstudien

- Subsidiäre Coachings zur Unterstützung bei Problemen

Organisatorische Voraussetzung

- Integration des Angebots in das Curriculum einiger Studiengänge

- Personelle Unterstützung durch Assistenten

Der Kurs wurde zweiteilig, pseudoanonymisiert evaluiert, um Veränderungen in den Einstellungen zu erfassen. Z. B.: Die flexible Vertiefungsmöglichkeit durch digitale Lernmaterialien wurde mit einer hohen Zustimmung (6,24 von 7 Punkten) bewertet, und die Kombination von Theorie und praktischen Aufgaben wurde als essenziell (6,18) für den Lernerfolg gewertet. Im Vergleich zur geringen Ausgangserfahrung mit R (2,89), fühlten sich die Studierenden nach dem Kurs sicher im Umgang mit R (5,65) und fähig zur selbstständigen Analyse mit R (5,88) bei hoher weiterer Anwendungsmotivation (6,0). Der Kompetenzerwerb wurde als sehr hoch eingeschätzt (6,24). Im Fragebogenfreifeld wurde insb. die hohe Praxisrelevanz sowie die gebotene Flexibilität und die Unterstützung bei der Aneignung der Kursinhalte hervorgehoben.

Das Feedback der Unternehmensvertreter war sehr positiv, ihre Mitwirkung sowie die Preisauslobung unterstreichen die Notwendigkeit eines entsprechenden Angebots.

Erwartete Effekte

- rascher Kompetenzaufbau in der Datenanalyse und in der Programmierung mit R im Speziellen

- Wahrnehmung und Wertschätzung der Praxisrelevanz durch die Studierenden

- Positive Resonanz von Praxisvertretern auf den Fallstudienwettbewerb

Unerwartete Effekte

- Rasche Entwicklung der KI; diese konnte jedoch in Form eines KI-Reviews anstelle eines studentischen Peer Reviews durch eine zeitliche Entlastung der Studierenden nutzbringend eingesetzt werden.

- Studierende haben teilweise Methoden, die über den Lehrstoff des Kurses hinausgehen, zur Lösung der Fallstudien eingesetzt.

- Die Modularisierung der Fallstudien in kleinere Teile erleichterte die Bearbeitung für die Studierenden deutlich.

- Gerade für Grundlagen in Programmierung und Statistik ist Blended Learning hervorragend geeignet – Studierende können sich Inhalte in ihrem eigenen Tempo aneignen. In einer Präsenz-lehrveranstaltung würde man sich hier nur gegenseitig aufhalten.

- Praxisfallstudien erhöhen die Relevanz der Lehrveranstaltung aus Sicht der Studierenden deutlich

Für den wirtschaftswissenschaftlichen Bereich ist die Anwendung von R zu empfehlen. Bei der Anwendung in technischen Studiengängen könnte eine Umsetzung des Konzepts mit Python sinnvoll sein.

Die Entwicklungen der künstlichen Intelligenz sollten bei zukünftigen Anwendungen mitberücksichtigt werden.

- Da die Lehrinhalte stark von Entwicklungsstand der Software abhängen, sollten Lehrmodule möglichst in sich abgeschlossene, kleine Einheiten sein, damit spätere Anpassungen ohne Komplettüberarbeitung des ganzen Kurses auch auf kleineren Einheiten möglich sind.

- Die zahlreichen und didaktisch vielfältigen Lehrmethoden (Online, Präsenz, Coaching, Fallstudienbearbeitung, Wettbewerb, KI-Review) erfordern eine detaillierte organisatorische Vorberei-tung und Planung, verbunden mit einer guten Kommunikation mit den Studierenden.