Track 5

WI2023 – Track: Data Science & Business Analytics Track

Track description

Die rasanten Entwicklungen in den Bereichen Rechenleistung, Sensorik, Speichersysteme und Internettechnologien wirken sich maßgeblich auf unsere Gesellschaft aus und verändern die Art und Weise, wie wir leben, miteinander agieren und arbeiten. Fahrzeuge werden sich bald autonom im realen Straßenverkehr bewegen, Smart-Home-Systeme erkennen individuelle Nutzerpräferenzen und passen sich diesen an und medizinische Assistenzsysteme unterstützen Ärztinnen und Ärzte bei der Diagnose schwer erkennbarer Krankheiten. Auch das Geschäftsumfeld wird zunehmend digitalisiert und der allgegenwärtige Einsatz von IT-Systemen für viele Unternehmen unverzichtbar. Solche Szenarien erfordern die Erfassung großer Datenmengen, die in hoher Frequenz in unterschiedlichsten Quellsystemen entstehen können. Die resultierenden Datenbestände stellen eine wertvolle Ressource dar, um datenzentrierte Geschäftsprozesse zu etablieren und eine faktenbasierte Entscheidungsfindung zu ermöglichen. 

Um dieses Potenzial zu nutzen und mittels Daten Mehrwerte zu schaffen, sind Methoden und Werkzeuge der modernen Datenanalyse und des Datenmanagements erforderlich, die häufig unter dem Sammelbegriff Data Science & Business Analytics zusammengefasst werden. Dazu gehören vielfältige Ansätze aus unterschiedlichen Disziplinen wie Statistik, künstlicher Intelligenz, Natural Language Processing, Process Mining, Visual Analytics, Business Intelligence, Datenqualitätsmanagement, Data Governance und vielen mehr. 

Vor diesem Hintergrund begrüßen wir in unserem Track die gesamte Vielfalt der wirtschaftsinformatik-bezogenen Forschungsbestrebungen in den Bereichen Data Science & Business Analytics (DS & BA). Diese reichen beispielhaft von der Generierung, Erhebung und Repräsentation von (Big) Data, über die Entwicklung innovativer Theorien, Methoden und Verfahren zur Lösung betriebswirtschaftlicher und gesellschaftlicher Problemstellungen, dem Design analytischer Artefakte bis hin zur Adoption und Integration dieser Ansätze in Unternehmen. Forschungsarbeiten zur Entwicklung neuer statistischer und maschineller Lernverfahren sind willkommen, insofern ein Bezug zur Lösung einer betriebswirtschaftlichen oder gesellschaftlichen Problemstellung aufgezeigt wird. Wir ermutigen Autorinnen und Autoren zur Einreichung von relevanten und originellen Beiträgen unter Ausschöpfung der methodischen Breite des Forschungsgebietes.

Track Topics

  • Innovation and emerging trends in DS & BA
  • Business value and monetizing of DS & BA
  • Adoption, routinization, maturity, and use of DS & BA
  • DS & BA for social good, individual and societal empowerment, and digital responsibility
  • Fair and trustworthy artificial intelligence
  • Explainable artificial intelligence and interpretable machine learning
  • Data privacy, data quality, and data governance
  • Opportunities and challenges of sharing data and open data
  • Urban analytics and data science for smarter cities
  • Data-driven decision-making in public sector organizations
  • Digital manufacturing and the Internet of Things
  • Operational, real-time, or event-driven business analytics
  • Process mining and the benefits of robotic process automation
  • Visual analytics and unstructured data analysis (e.g., text, image, audio, video) to address organizational and/or societal challenges

Track Chairs

Patrick Zschech

Friedrich-Alexander-Universität Erlangen-Nürnberg, patrick.zschech@fau.de

Patrick Zschech ist Inhaber der Juniorprofessor für Intelligent Information Systems an der Friedrich-Alexander-Universität Erlangen-Nürnberg. Zuvor promovierte er an der Technischen Universität Dresden im Bereich Wirtschaftsinformatik. Seine Forschungsschwerpunkte liegen in den Bereichen Business Analytics, Maschinelles Lernen und Künstliche Intelligenz, wobei er sich insbesondere mit der Gestaltung, Analyse, und Nutzung von intelligenten Informationssystemen beschäftigt. Patricks Forschungsergebnisse wurden bisher in Fachzeitschriften wie Decision Support Systems, Business & Information Systems Engineering und Electronic Markets veröffentlicht sowie auf internationalen Konferenzen wie ICIS, ECIS und WI vorgetragen.

Barbara Dinter

Technische Universität Chemnitz, barbara.dinter@wirtschaft.tu-chemnitz.de

Barbara Dinter hat die Professur Wirtschaftsinformatik – Geschäftsprozess- und Informationssysteme an der Technischen Universität Chemnitz inne. Sie studierte und promovierte an der Technischen Universität München in Informatik. Die Habilitation erfolgte an der Universität St. Gallen. Im Rahmen langjähriger Beratungstätigkeit arbeitete sie mit zahlreichen Unternehmen zusammen. Ihre aktuellen Forschungsschwerpunkte umfassen Business Analytics, Business Intelligence, Datenmanagement sowie datengetriebene Innovation und Industrie 4.0. Sie fungierte wiederholt als Track Chair auf ECIS, HICSS, AMCIS und WI und veröffentlichte in renommierten Zeitschriften wie Decision Support Systems, Journal of Database Management und Journal of Decision Systems sowie auf Konferenzen wie ICIS, ECIS und WI.

Tobias Brandt

Westfälische Wilhelms-Universität Münster, tobias.brandt@ercis.uni-muenster.de

Tobias Brandt ist Professor für Digital Innovation and the Public Sector an der Westfälischen Wilhelms-Universität Münster. Der Schwerpunkt seiner Arbeit liegt auf digitalen Innovationen an der Schnittstelle zwischen dem privaten und öffentlichen Sektor der Wirtschaft und der Gesellschaft im Allgemeinen. Seine Forschungsarbeiten zu Smart-City-Technologien und Urban Analytics wurden in führenden IS- und OR-Fachzeitschriften veröffentlicht (z. B. JMIS, MSOM, JOM, EJIS, EJOR), während seine Arbeiten zu organisatorischen Datenanalysefähigkeiten und datenzentrierten Dienstleistungen in praxisnahen Zeitschriften wie Harvard Business Review veröffentlicht wurden. Tobias ist zudem Mitbegründer des urbanen Data-Science-Startups Geospin, an dem er auch weiterhin aktiv beteiligt ist.

Christoph M. Flath

Julius-Maximilians-Universität Würzburg, christoph.flath@uni-wuerzburg.de

Prof. Dr. Christoph M. Flath ist Inhaber des Lehrstuhls für Wirtschaftsinformatik und Business Analytics an der Julius-Maximilians-Universität Würzburg. Am Karlsruher Institut für Technologie studierte er zuvor Wirtschaftsingenieurwesen und promovierte in Wirtschaftsinformatik. Seine Forschung kombiniert Verfahren des maschinellen Lernens zur Analyse großer Datensätze mit Optimierungsansätzen aus dem Operations Research für die datengetriebene Bewertung, Gestaltung und Steuerung von techno-ökonomischen Systemen. Seine Forschungsarbeiten publiziert er regelmäßig in führenden Fachzeitschriften aus den Bereichen Operations Management, Information Systems und Operations Research (z.B. EJOR, JIT, JOM, EJOR, TranSci).


Associate Editors

  • Paul Alpar, Philipps-Universität Marburg
  • Ivo Blohm, Universität St. Gallen
  • Burkhardt Funk, Leuphana Universität Lüneburg
  • Kai Heinrich, Otto-von-Guericke-Universität Magdeburg
  • Sarah Hönigsberg, Technische Universität Chemnitz
  • Konstantin Hopf, Universität Bamberg
  • Niklas Kühl, Karlsruher Institut für Technologie
  • Bernhard Lutz, Albert-Ludwigs-Universität Freiburg
  • Alexander Mädche, Karlsruher Institut für Technologie
  • Nicolas Prölloch, Justus-Liebig-Universität Gießen
  • Jana-Rebecca Rehse, Universität Mannheim
  • Christian Schieder, Ostbayerische Technische Hochschule (OTH) Amberg-Weiden
  • Nikolai Stein, Julius-Maximilians-Universität Würzburg
  • Michael Vössing, Karlsruher Institut für Technologie
  • Benjamin von Giffen, Universität St. Gallen
  • Markus Weinmann, Universität zu Köln
  • Sven Weinzierl, Friedrich-Alexander-Universität Erlangen-Nürnberg