Die Studienrichtung hat die Generierung und Verfügbarmachung von Wissen zum Ziel, das aus Daten und Informationen gewonnen wird. Absolvent*innen arbeiten in Unternehmen, die stark von der Generierung von unternehmensrelevantem Wissen, z.B. aus Web-Daten, abhängen, bspw. digitalen Informationsplattformen, Online-Händler, sozialen Netzwerken, Online-Medien, etc. Auch ein Einsatz in der Forschung oder in den Einrichtungen der Forschungsinfrastrukturen (z.B. wissenschaftliche Bibliotheken, Leibniz-Institute, etc.) ist durch den hohen Anteil an forschungszentrierten Modulen denkbar.
Informationen sind die Grundlage für Entscheidungen und Prozesse in Wissenschaft, Wirtschaft und Politik. Man spricht hierbei vom Informationsbedarf, den eine Person oder eine Organisation hat. Das Fehlen benötigter Information und das Verwenden fehlerhafter Information können schwerwiegende Folgen haben. Die Studierenden erlernen daher Methoden und Verfahren der Informationsanalyse, der Informationsaufbereitung, der Informationserschließung und die Technologien zur Gestaltung von Informationssystemen, mit dem Ziel, die Verfügbarkeit von Information zu verbessern und den Informationsbedarf zu befriedigen.
Traditionell beschäftigt sich die Informationswissenschaft damit, wie man Informationen organisiert und nutzbar macht. In Folge der informationstechnischen Entwicklung ist die Informationswissenschaft zu einer digitalisierten, datengetriebenen Disziplin geworden. Algorithmische Verfahren der Analyse von Massendaten ergänzen die traditionellen Ansätze oder lösen sie vollständig ab. Techniken des Text-, Data- und Web-Mining oder des Knowledge Discovery stehen stellvertretend für diese Entwicklung. Hierbei steht neben den Prozessen und technischen Methoden der Mensch im besonderen Interesse, da Daten, Informationen und Wissen durch den Anwendungskontext und die Einbindung in das menschliche Informationsverhalten erste ihren eigentlich Wert entfalten.
Den Studierenden werden umfangreiche informationswissenschaftliche Kenntnisse (Core Information Science) vermittelt, die sie mit den Mitteln der Data Science und Informatik kombinieren, um sie zu wissenschaftlich fundierter Arbeit und verantwortlichem Handeln in der beruflichen Tätigkeit, als auch zu eigenständiger Forschung im erweiterten Feld der Data and Information Science zu befähigen. Sie werden durch gezielten Kompetenzerwerb in die Lage versetzt, fachliche Probleme unter Anwendung wissenschaftlicher Methoden zu identifizieren, zu formulieren und zu lösen. Sie können Wissen anwenden und Problemlösungen in den Fachgebieten Data sowie Information Science erarbeiten und weiterentwickeln. Sie zeigen dabei eine hohe Handlungskompetenz und sind geleitet durch ethisches Denken und Handeln. Die Studierenden der DIS Studienrichtung werden befähigt, innovative Beiträge und Lösungen zu prioritären Zukunftsaufgaben zu erarbeiten und soziale Innovationen mitzugestalten, voranzutreiben und zu verbessern (u.a. in den Bereichen Digitale Wirtschaft, innovative Arbeitswelt, Mobilität, Energie und Umwelt). Die Studierenden lernen Daten zu verarbeiten und zu analysieren, Informationen zu ordnen und zu priorisieren, Muster zu erkennen und relevante Zusammenhänge und Schlussfolgerungen herauszuarbeiten. Sie lernen zu organisieren und eigenständig wissenschaftliche wie wirtschaftliche Projekte durchzuführen und dabei sowohl einzeln als auch als Mitglied interdisziplinärer Projektgruppen zu arbeiten. Zu guter Letzt werden die DIS-Studierenden befähigt, eine berufliche Tätigkeit in verschiedensten Branchen aufzunehmen (Employability), aber gleichermaßen auch eine Befähigung zur wissenschaftlichen Spezialisierung durch eine Promotion zu erlangen.
Nachfolgend sind typische Absolvent*innenprofile und beispielhafte Studienverläufe beschrieben.
Die Absolvent*innen dieses Profils bringen ein fundiertes Wissen im Bereich Data Science und Business Intelligence sowie Wissen über Unternehmen und Märkte mit. Sie arbeiten in Unternehmen und unterstützen dort das Management bei der Findung von Entscheidung unter Unsicherheit mittels der Implementierung von interaktiven Dashboards, Reportings und komplexer Analysen unternehmensrelevanter Daten.
Die Erstellung von individuellen Analysen und Prognosen über die Geschäfts(-feld-)entwicklung ist ebenso ein wesentlicher Kompetenzteil dieser Absolvent*innen, der, ergänzt durch Architekturwissen über große verwendete Data Warehouses und Reporting Infrastrukturen, für spätere Arbeitgeber*innen besonders wertvoll ist.
Auch ein Einsatz im Consulting (inhouse wie extern) ist durch den hohen Anteil unternehmensnaher Analysen und Businessentscheidungen möglich. Die Stärkung der Kompetenz zur Präsentation der Erkenntnisse für die Zielgruppe wird u.a. durch Data Visualization und Projekt Management mit hohen Anwendungsbezug erzielt.
In der nachfolgenden Tabelle ist ein beispielhafter Studienverlaufsplan für dieses Absolvent*innenprofil dargestellt.
Passen Sie diesen Studienverlauf mit unserem Study Planner massgeschneidert an die eigenen Bedürfnisse an. Der Study Planner ist ein interaktives Tool, mit dem sich regelkonforme Studienverläufe planen lassen.
| Beitrag zu Handlungsfeldern | |||||||||
|---|---|---|---|---|---|---|---|---|---|
| Fachsemester | Kürzel | Modul | ECTS | AR | ACS | DIP | EB | GAK | MRI |
| 1. Semester (WS) | PMI | Process Mining | 6 | 1 | 0 | 0 | 2 | 3 | 0 |
| ABIA | Advanced Business Intelligence and Analytics | 6 | 0 | 0 | 0 | 2 | 4 | 0 | |
| AML | Advanced Machine Learning | 6 | 1 | 2 | 0 | 0 | 3 | 0 | |
| OR | Operations Research | 6 | 0 | 0 | 1 | 1 | 4 | 0 | |
| SGM | Spezielle Gebiete der Mathematik | 6 | 0 | 0 | 0 | 0 | 6 | 0 | |
| Zwischensumme | 30 | 2 | 2 | 1 | 5 | 20 | 0 | ||
| 2. Semester (SS) | DVI | Data Visualization | 3 | 0 | 0 | 0 | 0 | 3 | 0 |
| GP-GAK | Guided Project focused on Generating and Accessing Knowledge | 12 | 0 | 2 | 2 | 2 | 4 | 2 | |
| SKD | Seminar Knowledge Discovery | 3 | 0 | 0 | 0 | 0 | 3 | 0 | |
| EAM | Enterprise Architecture Management | 6 | 0 | 0 | 0 | 3 | 0 | 3 | |
| PM | Projekt Management | 6 | 5 | 1 | 0 | 0 | 0 | 0 | |
| Zwischensumme | 30 | 5 | 3 | 2 | 5 | 10 | 5 | ||
| 3. Semester (WS) | MA | Masterarbeit mit Kolloquium / Master Thesis with Colloquium | 30 | Beitrag hängt vom Thema ab | |||||
| Gesamt | 90 | 7 | 5 | 3 | 10 | 30 | 5 | ||
Die Absolvent*innen dieses Profils verfügen über vertiefte Kenntnisse im Bereich Data and Information Science. Ihr Einsatzgebiet ist in erster Linie in wissenschaftlichen Bibliotheken, Forschungseinrichtungen bzw. -infrastrukturen oder F&E-Abteilungen in Unternehmen, die Dienstleistungen entwickeln und anbieten möchten, um Forschung auf digitalen Datenbeständen zu ermöglichen.
Dies kann z.B. Methoden zur Datenerschließung und Datenanreicherung, Verfahren zur Recherche in digitalen Datenbeständen sowie Auswahl und Bereitstellung von Werkzeugen zur Datenanalyse und Visualisierung umfassen. Entsprechend stehen hier Methoden der Datenanalyse, des Retrievals und der Visualisierung im Fokus sowie der verantwortungsvolle Umgang mit Daten. Vorgesehen ist zudem ein Guided Project mit hohem Anwendungsbezug, in dem Ergebnisse zielgruppengerecht aufbereitet und präsentiert werden.
In der nachfolgenden Tabelle ist ein beispielhafter Studienverlaufsplan für dieses Absolvent*innenprofil dargestellt.
Passen Sie diesen Studienverlauf mit unserem Study Planner massgeschneidert an die eigenen Bedürfnisse an. Der Study Planner ist ein interaktives Tool, mit dem sich regelkonforme Studienverläufe planen lassen.
| Beitrag zu Handlungsfeldern | |||||||||
|---|---|---|---|---|---|---|---|---|---|
| Fachsemester | Kürzel | Modul | ECTS | AR | ACS | DIP | EB | GAK | MRI |
| 1. Semester (WS) | AML | Advanced Machine Learning | 6 | 1 | 2 | 0 | 0 | 3 | 0 |
| LOD | Linked-Open Data and Knowledge Graphs | 6 | 1 | 0 | 1 | 0 | 4 | 0 | |
| OSC | Open Science | 6 | 0 | 0 | 0 | 0 | 6 | 0 | |
| RSN | Recherche in (sozialen) Netzwerken / Research in (social) networks | 3 | 0 | 0 | 0 | 0 | 3 | 0 | |
| WIR | Web Information Retrieval | 6 | 0 | 1 | 0 | 0 | 5 | 0 | |
| ANLP | Advanced Natural Language Processing | 3 | 0 | 1 | 0 | 0 | 2 | 0 | |
| Zwischensumme | 30 | 2 | 4 | 1 | 0 | 23 | 0 | ||
| 2. Semester (SS) | MVS | Multivariate Statistik | 6 | 0 | 0 | 0 | 0 | 6 | 0 |
| SKD | Seminar Knowledge Discovery | 3 | 0 | 0 | 0 | 0 | 3 | 0 | |
| DSE | Data Science and Ethics | 6 | 2 | 1 | 1 | 0 | 2 | 0 | |
| DVI | Data Visualization | 3 | 0 | 0 | 0 | 0 | 3 | 0 | |
| GP-GAK | Guided Project focused on Generating and Accessing Knowledge | 12 | 0 | 2 | 2 | 2 | 4 | 2 | |
| Zwischensumme | 30 | 2 | 3 | 3 | 2 | 18 | 2 | ||
| 3. Semester (WS) | MA | Masterarbeit mit Kolloquium / Master Thesis with Colloquium | 30 | Beitrag hängt vom Thema ab | |||||
| Gesamt | 90 | 4 | 7 | 4 | 2 | 41 | 2 | ||
Die Absolvent*innen dieses Profils verfügen über vertiefte Kenntnisse im Bereich Data and Information Science. Ihr Einsatzgebiet ist in erster Linie in wissenschaftlichen Bibliotheken, Forschungseinrichtungen bzw. -infrastrukturen oder F&E-Abteilungen in Unternehmen, die Dienstleistungen entwickeln und anbieten möchten, um Forschung auf digitalen Datenbeständen zu ermöglichen.
Dies kann z.B. Methoden zur Datenerschließung und Datenanreicherung, Verfahren zur Recherche in digitalen Datenbeständen sowie Auswahl und Bereitstellung von Werkzeugen zur Datenanalyse und Visualisierung umfassen. Entsprechend stehen hier Methoden der Datenanalyse, des Retrievals und der Visualisierung im Fokus sowie der verantwortungsvolle Umgang mit Daten. Vorgesehen ist zudem ein Guided Project mit hohem Anwendungsbezug, in dem Ergebnisse zielgruppengerecht aufbereitet und präsentiert werden.
In der nachfolgenden Tabelle ist ein beispielhafter Studienverlaufsplan für dieses Absolvent*innenprofil dargestellt.
Passen Sie diesen Studienverlauf mit unserem Study Planner massgeschneidert an die eigenen Bedürfnisse an. Der Study Planner ist ein interaktives Tool, mit dem sich regelkonforme Studienverläufe planen lassen.
| Beitrag zu Handlungsfeldern | |||||||||
|---|---|---|---|---|---|---|---|---|---|
| Fachsemester | Kürzel | Modul | ECTS | AR | ACS | DIP | EB | GAK | MRI |
| 1. Semester (WS) | AML | Advanced Machine Learning | 6 | 1 | 2 | 0 | 0 | 3 | 0 |
| LOD | Linked-Open Data and Knowledge Graphs | 6 | 1 | 0 | 1 | 0 | 4 | 0 | |
| OSC | Open Science | 6 | 0 | 0 | 0 | 0 | 6 | 0 | |
| RSN | Recherche in (sozialen) Netzwerken / Research in (social) networks | 3 | 0 | 0 | 0 | 0 | 3 | 0 | |
| WIR | Web Information Retrieval | 6 | 0 | 1 | 0 | 0 | 5 | 0 | |
| ANLP | Advanced Natural Language Processing | 3 | 0 | 1 | 0 | 0 | 2 | 0 | |
| Zwischensumme | 30 | 2 | 4 | 1 | 0 | 23 | 0 | ||
| 2. Semester (SS) | MVS | Multivariate Statistik | 6 | 0 | 0 | 0 | 0 | 6 | 0 |
| SKD | Seminar Knowledge Discovery | 3 | 0 | 0 | 0 | 0 | 3 | 0 | |
| DSE | Data Science and Ethics | 6 | 2 | 1 | 1 | 0 | 2 | 0 | |
| DVI | Data Visualization | 3 | 0 | 0 | 0 | 0 | 3 | 0 | |
| ITSTR | IT Strategy | 6 | 0 | 0 | 2 | 0 | 0 | 4 | |
| MODI | Mobile and Distributed Systems | 6 | 0 | 4 | 1 | 0 | 0 | 1 | |
| Zwischensumme | 30 | 2 | 5 | 4 | 0 | 14 | 5 | ||
| 3. Semester (WS) | INM | Innovation Management | 6 | 1 | 0 | 4 | 1 | 0 | 0 |
| DDM | Data Driven Modelling | 6 | 1 | 2 | 0 | 1 | 2 | 0 | |
| GP-GAK | Guided Project focused on Generating and Accessing Knowledge | 12 | 0 | 2 | 2 | 2 | 4 | 2 | |
| GP-ID | Guided Project (small), focused on Interdisciplinary Topics | 6 | 1 | 1 | 1 | 1 | 1 | 1 | |
| Zwischensumme | 30 | 3 | 5 | 7 | 5 | 7 | 3 | ||
| 4. Semester (SS) | MA | Masterarbeit mit Kolloquium / Master Thesis with Colloquium | 30 | Beitrag hängt vom Thema ab | |||||
| Gesamt | 120 | 7 | 14 | 12 | 5 | 44 | 8 | ||
Die Absolvent*innen dieses Profil bringen bereits ein fundiertes Grundwissen im Bereich Data and Information Science mit. Sie arbeiten in Unternehmen, die stark von der Generierung von unternehmensrelevantem Wissen aus Web-Daten abhängen, bspw. digitalen Informationsplattformen, Online-Händler, sozialen Netzwerken, Online-Medien, etc. Auch ein Einsatz in der Forschung oder in den Einrichtungen der Forschungsinfrastrukturen (z.B. wissenschaftliche Bibliotheken, Leibniz-Institute, etc.) ist durch den hohen Anteil an forschungsnahen Modulen ist denkbar.
Die Extraktion und Zugänglichkeit der Daten mit Hilfe von Techniken des NLP und IR stehen hier im Mittelpunkt und werden ergänzt durch Mittel des Process Mining. Die Stärkung der Kompetenz zur Präsentation der Erkenntnisse für die Zielgruppe wird u.a. durch Data Visualisation und durch ein Guided Project mit hohen Anwendungsbezug ermöglicht.
In der nachfolgenden Tabelle ist ein beispielhafter Studienverlaufsplan für dieses Absolvent*innenprofil dargestellt.
Passen Sie diesen Studienverlauf mit unserem Study Planner massgeschneidert an die eigenen Bedürfnisse an. Der Study Planner ist ein interaktives Tool, mit dem sich regelkonforme Studienverläufe planen lassen.
| Beitrag zu Handlungsfeldern | |||||||||
|---|---|---|---|---|---|---|---|---|---|
| Fachsemester | Kürzel | Modul | ECTS | AR | ACS | DIP | EB | GAK | MRI |
| 1. Semester (SS) | PM | Projekt Management | 6 | 5 | 1 | 0 | 0 | 0 | 0 |
| DSE | Data Science and Ethics | 6 | 2 | 1 | 1 | 0 | 2 | 0 | |
| DVI | Data Visualization | 3 | 0 | 0 | 0 | 0 | 3 | 0 | |
| MVS | Multivariate Statistik | 6 | 0 | 0 | 0 | 0 | 6 | 0 | |
| SKD | Seminar Knowledge Discovery | 3 | 0 | 0 | 0 | 0 | 3 | 0 | |
| WEB | Web Technologies | 6 | 1 | 5 | 0 | 0 | 0 | 0 | |
| Zwischensumme | 30 | 8 | 7 | 1 | 0 | 14 | 0 | ||
| 2. Semester (WS) | ANLP | Advanced Natural Language Processing | 3 | 0 | 1 | 0 | 0 | 2 | 0 |
| GP-GAK | Guided Project focused on Generating and Accessing Knowledge | 12 | 0 | 2 | 2 | 2 | 4 | 2 | |
| LOD | Linked-Open Data and Knowledge Graphs | 6 | 1 | 0 | 1 | 0 | 4 | 0 | |
| WAM | Web Audience Measurement und Web-Analytics | 3 | 0 | 0 | 0 | 0 | 3 | 0 | |
| WIR | Web Information Retrieval | 6 | 0 | 1 | 0 | 0 | 5 | 0 | |
| Zwischensumme | 30 | 1 | 4 | 3 | 2 | 18 | 2 | ||
| 3. Semester (SS) | MA | Masterarbeit mit Kolloquium / Master Thesis with Colloquium | 30 | Beitrag hängt vom Thema ab | |||||
| Gesamt | 90 | 9 | 11 | 4 | 2 | 32 | 2 | ||
