Causal Data Science for Business Decision Making

Worum geht's

Du lernst, wie Ursache-Wirkungs-Fragen in datengetriebener Unternehmensentscheidung beantwortet werden können. Am Ende kannst du Quellen von Verzerrung erkennen, typische Probleme bei Datenerhebung und Generalisierung einschätzen und grundlegende Methoden der kausalen Inferenz (z. B. Instrumentvariablen, Regression Discontinuity, A/B-Tests) konzeptionell anwenden.

Was du danach kannst

Rolle kausalen Wissens für datenunterstützte Managemententscheidungen verstehen
Bedeutung von 'Korrelation ≠ Kausalität' präzise erläutern können
Kritisch reflektieren, wo korrelationsbasierte ML-Ansätze an Grenzen stoßen
Konzeptionelle Kenntnisse zu Methoden der kausalen Datenwissenschaft diskutieren
Wichtigkeit von Managementtheorie für kausale Schlüsse in Business Intelligence verstehen
Eigenständig state-of-the-art kausale Datenanalysen durchführen können

Aus was das Modul besteht

VorlesungVermittlung zentraler Konzepte und methodischer Grundlagen der kausalen Datenwissenschaft
ÜbungAnwendung und Vertiefung von Methoden anhand strukturierter Probleme und empirischer Beispiele

Lehrmethode

VorlesungenPräsentation der Kernkonzepte und methodischen Grundlagen
ÜbungssitzungenVertiefung des Verständnisses und praktische Anwendung von Methoden

Solltest du schon können

Statisticsempfohlen
Probability Theoryempfohlen

Prüfung

KlausurClosed-BookEinzelprüfung

Abschlussprüfung in schriftlicher Form (90 Minuten, Closed-Book). Du darfst ein selbst erstelltes A4-Spickerblatt (beidseitig) mitbringen. Die Prüfung bewertet Verständnis der Kernkonzepte, Annahmen und theoretischen Grundlagen kausaler Inferenz sowie die Fähigkeit, Forschungsdesigns zu beurteilen und empirische Ergebnisse kritisch zu interpretieren. Gewichtung: 100% der Modulnote.

Prüfungstermin12.02. · 08:30–10:00

Literatur

Pearl, J. & Mackenzie, D. - The Book of Why
Hünermund, P. & Bareinboim, E. - Causal Inference and Data Fusion in Econometrics
Glymour & Jewell, N. - Causal Inference in Statistics – A Primer
Hünermund, P.; Louw, B.; Rönköö, M. - The Choice of Control Variables: How Causal Graphs Can Inform the Decision
Satell, G. & Abdel-Magied, Y. - AI Fairness Isn’t Just an Ethical Issue
Bojinov, I.; Saint-Jacques, G.; Tingley, M. - Avoid the Pitfalls of A/B Testing

Termine

VorlesungCausal Data Science for Business Decision Making - Lecture (MGTHN0207)

Mo.10:15–11:45
38.1.02, Hörsaal (1915.01.102)
15× · 12.10.–01.02.
- 12.10.
- 19.10.
- 26.10.
- 02.11.
- 09.11.
- 16.11.
- 23.11.
- 30.11.
- 07.12.
- 14.12.
- 21.12.
- 11.01.
- 18.01.
- 25.01.
- 01.02.

ÜbungCausal Data Science for Business Decision Making - Exercise (MGTHN0207)

Mo.12:15–13:45
38.1.02, Hörsaal (1915.01.102)
15× · 12.10.–01.02.
- 12.10.
- 19.10.
- 26.10.
- 02.11.
- 09.11.
- 16.11.
- 23.11.
- 30.11.
- 07.12.
- 14.12.
- 21.12.
- 11.01.
- 18.01.
- 25.01.
- 01.02.

Aus dem laufenden Semester, unverbindlich.

Filter