Fachbereich 02: Wirtschaftswissenschaften - Bachelor-Studiengang Wirtschaftswissenschaften (B.Sc.) - Schwerpunktphase – BWL/VWL-Module

Struktur: Vorlesung + Übung
Turnus: Wintersemester
Credits: 6 CP
Sprache: Deutsch
Prüfungsform: Klausur
Die Veranstaltung findet in Präsenz statt.

Beschreibung:
Die Veranstaltung wird im Wintersemester angeboten und ist für Studierende aus den Bachelorstudiengängen Wirtschaftswissenschaften und Betriebswirtschaftslehre geöffnet.

Die Veranstaltung umfasst folgende Themenbereiche:
- Motivation und Hintergrund zur Datenökonomie
- Data Literacy, Big Data, der Wert von Daten
- Verschiedene Datenstrukturen, -erhebungen und -quellen
- Umfragedaten (bspw. SOEP) und Administrative Daten (bspw. Mikrozensus)
- Auswertung von Daten zur Beantwortung gesellschaftlicher Probleme/Fragen
- Korrelation vs. Kausalität; Selektion
- Forschungsdesigns (Experiment, Natürliche Experimente wie DiD, RDD, … )
- Praxisvortrag

Ziel der Veranstaltung ist diese verschiedenen Facetten kennenzulernen und kritisch zu reflektieren. Dazu wird in der Vorlesung und Übung unter anderem mit Wissenschaftliche Fachartikel gearbeitet. Grundkenntnisse in Statistik werden vorausgesetzt.

Der Kurs basiert auf dem Buch "Causal Inference" von Scott Cunningham (online zugänglich) und „The Effect“ von Nick Huntington-Klein (online zugänglich).
Weiterführende Literatur sind die Bücher "Mastering Metrics" von Joshua Angrist und Jörn-Steffen Pischke (online Kurs Mastering Econometrics with Joshua Angrist) und „Introductory Econometrics“ von Jeffrey Wooldridge.

Struktur: Vorlesung + Übung
Turnus: Wintersemester
Credits: 6 CP
Sprache: Deutsch
Prüfungsform: Klausur
Die Veranstaltung findet in Präsenz statt.

Beschreibung:
Die Veranstaltung wird im Wintersemester angeboten und ist für Studierende aus den Bachelorstudiengängen Wirtschaftswissenschaften und Betriebswirtschaftslehre geöffnet.

Die Veranstaltung umfasst folgende Themenbereiche:
- Motivation und Hintergrund zur Datenökonomie
- Data Literacy, Big Data, der Wert von Daten
- Verschiedene Datenstrukturen, -erhebungen und -quellen
- Umfragedaten (bspw. SOEP) und Administrative Daten (bspw. Mikrozensus)
- Auswertung von Daten zur Beantwortung gesellschaftlicher Probleme/Fragen
- Korrelation vs. Kausalität; Selektion
- Forschungsdesigns (Experiment, Natürliche Experimente wie DiD, RDD, … )
- Praxisvortrag

Ziel der Veranstaltung ist diese verschiedenen Facetten kennenzulernen und kritisch zu reflektieren. Dazu wird in der Vorlesung und Übung unter anderem mit Wissenschaftliche Fachartikel gearbeitet. Grundkenntnisse in Statistik werden vorausgesetzt.

Der Kurs basiert auf dem Buch "Causal Inference" von Scott Cunningham (online zugänglich) und „The Effect“ von Nick Huntington-Klein (online zugänglich).
Weiterführende Literatur sind die Bücher "Mastering Metrics" von Joshua Angrist und Jörn-Steffen Pischke (online Kurs Mastering Econometrics with Joshua Angrist) und „Introductory Econometrics“ von Jeffrey Wooldridge.

Struktur: Vorlesung und Übung
Turnus: Wintersemester
Credits: 6 CP
Sprache: Englisch
Prüfungsform: Klausur

Qualifikationsziele:
• Gain foundational knowledge of AI, including GenAI, LLMs, machine learning and analytics concepts and how they transform decision-making processes across industries and functions
• Acquire hands-on experience working with Large Language Models (LLMs) by engaging in practical sessions focused on using relevant tools
• Learn to apply these models in real-world and business relevant scenarios, assess their strengths and limitations, and understand best practices for leveraging their potential while recognizing their shortcomings
• Deepen understanding of data-driven forecasting and prediction models
• Get to know to the strategic role of data as an asset and its importance for data-driven decision-making, especially leveraging AI and emerging technologies.
• Understand how to practically implement AI and analytics use cases, covering business processes, operating models, and project management approaches tailored to AI and emerging technologies
• Recognize the importance of responsible AI practices, as well as the role of experiments

Inhalte:
• Introduction to AI, GenAI, LLMs, and Machine Learning: Overview on foundational concepts and frameworks of Artificial Intelligence, Generative AI, Large Language Models (LLMs), and machine learning.
• Implementation in Business: Operating models for AI and data analytics, including structures for analytics hubs and centers of excellence, project management approaches (agile, hybrid, traditional) tailored to AI and data-driven initiatives.
• Company Impulses: Guest lectures led by industry professionals
• Hands-on Practical Sessions: Interactive session using LLM tools and platforms, real-world case studies to deepen understanding of model application, strengths, and limitations.
• Data as a Strategic Asset: Data value chain, data ecosystems, and the infrastructure necessary for effective analytics and AI deployment.
• Business Forecasting: Purpose and practical applications of business forecasting


Das Unterrichtsmaterial ist weitestgehend auf Englisch (Folien auf englisch), die Vorlesung wird in englisch gehalten. Die Vorlesung beginnt am Di., 13.10.2026 um 08:15 Uhr, (Ort: Licher Straße 68, Raum 24b) und wird in Präsenz stattfinden.

Bitte beachten Sie auch die Hinweise auf der Homepage der Professur:
https://www.uni-giessen.de/de/fbz/fb02/fb/professuren/vwl/honorarprofessur/lehre/veranstaltungws26_27

Link zu JLUMaps:
https://www.uni-giessen.de/JLUmaps/?id=167813&lang=de