Problemstellung:

In Zeiten der digitalen Transformation ist es für IT-Unternehmensberatungen essenziell, sowohl die Implementierung von IT-Systemen als auch die damit einhergehenden organisatorischen Veränderungen präzise zu evaluieren. Die zunehmende Verfügbarkeit und Relevanz von Arbeitgeberbewertungen – etwa von Plattformen wie Kununu oder Glassdoor – bietet dabei ein enormes Potenzial zur Analyse und Ableitung strategischer Handlungsempfehlungen (z.B. hinsichtlich Unternehmenskultur, Gehalt, Führungskräfteverhalten, etc.) (z.B. Könsgen et al., 2018; Höllig, 2021). Gegenwärtig stützen sich die Berater*innen einer IT-Unternehmensberatung im Raum Essen, die im Projekt als Praxispartner agiert,  weitgehend auf manuelle, rudimentäre Tools wie Excel und PowerPoint zur Analyse der Arbeitgeberbewertungen. Die Arbeitgeberbewertungen liegen zwar gebündelt in .csv/.xlsx Dateien vor, deren Analyse und Visualisierung stellt den Praxispartner allerdings vor Herausforderungen. 

Aufgabenstellung:

Im vorliegenden Projekt sollen diese Defizite adressiert werden, indem ein interaktives Dashboard-Tool zur Analyse und Visualisierung der Arbeitgeberbewertungen entwickelt wird, in welchem auch innovative, auf künstlicher Intelligenz (KI) basierende Analyse- und Visualisierungsverfahren integriert werden sollen. Durch die Integration fortschrittlicher KI-gestützter Analysemethoden – wie beispielsweise Latent Dirichlet Allocation (Blei et al., 2003), Structured Topic Modelling (Wallach, 2008) und semantische Analysen mittels LIWC-2022 (Boyd et al., 2022) – soll ermöglicht werden, dass nicht nur oberflächliche, sondern auch tiefgreifende Erkenntnisse in die internen Dynamiken, dominanten Themen (Topics) und intertemporalen Entwicklungen eines Unternehmens zu gewinnen. Gleichzeitig ermöglicht die Entwicklung eines interaktiven Dashboards eine intuitive und benutzerfreundliche Darstellung der Erkenntnisse, die sich unmittelbar für Präsentationen auf Vorstands- und Führungsebene der Unternehmen durch die Berater*innen eignen sollen.

Zielsetzung:

Das Projekt verfolgt das Ziel, ein interaktives Dashboard-Tool zu entwickeln, das es ermöglicht, Arbeitgeberbewertungen in verschiedenen Dimensionen (z. B. Unternehmenskultur, Vergütung, Führungsverhalten, Rekrutierungsprozesse) KI-gestützt zu analysieren und visualisieren. Hierbei sollen insbesondere folgende Aspekte im Fokus stehen:

• Datenaufbereitung: Integration von Datenformaten wie .csv und .xlsx zur automatischen Datenextraktion und -vorbereitung.

• Einsatz fortgeschrittener KI-gestützter Analysemethoden: Implementierung von Verfahren wie Latent Dirichlet Allocation (LDA), Structured Topic Modelling (STM) sowie semantischen Analysen (z. B. LIWC-2022), um latente Themen, Semantik und Framing in den Bewertungen zu identifizieren und auszuwerten.

• Interaktive Dashboard-Visualisierung: Entwicklung einer benutzerfreundlichen und interaktiven Oberfläche, die sowohl deskriptive als auch prädiktive Analysen darstellt und sich für Präsentationen auf Vorstands- und Führungsebene eignet.

Die Auswahl geeigneter Frameworks bzw. Programmiersprachen obliegt den Studierenden, wenngleich wir im Anbetracht der vorhandenen Bibliotheken zur Analyse Python und zur Visualisierung d3.js empfehlen.

Referenzen:

• Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent dirichlet allocation. Journal of machine Learning research, 3(Jan), 993-1022.

• Boyd, R. L., Ashokkumar, A., Seraj, S., & Pennebaker, J. W. (2022). The development and psychometric properties of LIWC-22. Austin, TX: University of Texas at Austin, 10, 1-47.

• Höllig, C. (2021). Online employer reviews as a data source: a systematic literature review.

• Könsgen, R., Schaarschmidt, M., Ivens, S., & Munzel, A. (2018). Finding meaning in contradiction on employee review sites—Effects of discrepant online reviews on job application intentions. Journal of Interactive Marketing, 43(1), 165-177.

• Wallach, H. M. (2008). Structured topic models for language (Doctoral dissertation, University of Cambridge).

Anforderungen an die Projektgruppe:

• Erstellung eines Projektplans und Verteilung der Aufgaben auf die Gruppenmitglieder
• Anforderungserhebung mit der Geschäftsführung des Praxispartners
• Erstellung eines Projektplans und Verteilung der Aufgaben auf die Gruppenmitglieder
• Solides hybrides/agiles Projektmanagement
• Erstellung von Anforderungsanalysen, Product Backlog und Priorisierungen
• Entwicklung einer funktionstüchtigen Applikation basierend auf den Anforderungen
• Integration von fortschrittlichen KI-basierten Analyse- und Visualisierungstechniken

Präsentation der Anwendung vor den Geschäftsführern des Praxispartners

Voraussetzungen:

• Studierende der Fakultät für Informatik im Bachelor mit mindestens 90 CP oder im Master (Standard/Pflicht)
• Fach Programmierung mit 3.0 oder besser abgeschlossen
• Kenntnisse oder zumindest Interesse an Python und KI-basierten Analysemethoden (K-Means, LDA, STM, etc.) von Vorteil

Zielgruppe: Bachelor- oder Masterstudierende 

Sprache: Deutsch oder Englisch 

Problemstellung:

In Unternehmen wird immer häufiger in IT-Systeme investiert, um betriebliche Abläufe zu optimieren, die Effizienz zu steigern und Kosten zu senken. Doch oft fehlt es an geeigneten Instrumenten, die die Auswirkungen dieser IT-Investitionen auf das gesamte Unternehmen (wie Prozessen, anderen Wirkungen, IT-Systemen usw.) und die Wirtschaftlichkeit dieser Maßnahmen klar und nachvollziehbar visualisieren. Insbesondere die Verbindung zwischen verschiedenen IT-Initiativen und ihren wirtschaftlichen Auswirkungen, sowie die Darstellung von Wirkungsketten, die von technischen Änderungen ausgelöst werden, sind schwer greifbar. Ein Tool, welches bestehende und identifizierte Wirkungen zueinander in Beziehung setzt und als Wirkungskette darstellt, könnte hierbei Abhilfe schaffen. 

Die Herausforderung besteht darin, ein Tool zu entwickeln, das es ermöglicht, die Wirkungsketten und die damit verbundenen ökonomischen Kennzahlen (z.B. NPV, TCO) in einer leicht verständlichen und interaktiven Weise darzustellen. Damit sollen Entscheidungsträger in Unternehmen in die Lage versetzt werden, fundierte Entscheidungen hinsichtlich der Wirtschaftlichkeit von IT-Investitionen zu treffen und zu verstehen. So soll es möglich sein, einzelnen Wirkungen Wertbeiträge zuzuweisen und diese anschließend zu aggregieren, um die Gesamtwirtschaftlichkeit eines Systems zu ermitteln. Ebenfalls könnten so Wirkungen anhand bestimmter Merkmale zusammengefasst werden. Das Zuordnen von Wirkungen zu Ursachen erlaubt so auch weitere Analysen.

Ziel dieses Projektes ist es zu ermitteln, welche Attribute von Wirkungen und Ursachen innerhalb eines solchen Tools abgebildet werden sollen, sowie die Gestaltung eines ersten Prototyps, der diese Wirkungen (und daraus resultierende Wirkungsketten) darstellt und somit weitere Analysen ermöglicht. Auf Basis der erarbeiteten Analysen können Daten aus einem echten Projekt bereitgestellt werden, anhand derer die Analysen und das Tool evaluiert werden.

Literatur:

• Kesten, R., Müller, A., & Schröder, H. (2007). IT-Controlling: Messung und Steuerung des Wertbeitrags der IT. Vahlen.
• Kütz, M. (2011). Kennzahlen in der IT (4. Auflage). dpunkt.verlag.
• Müller, A. (2011). Lean IT-Management (H. Schröder, L. von Thienen, L. Thienen, A. Muller, & H. Schroder, Eds.). Springer Gabler. in Springer Fachmedien Wiesbaden GmbH.
• Schütte, R., Seufert, S., & Wulfert, T. (2022). IT-Systeme wirtschaftlich verstehen und gestalten. Springer Fachmedien Wiesbaden GmbH.
• Ward, J., & Daniel, E. (2012). Benefits Management: How to Increase the Business Value of Your IT Projects. In Benefits Management (2nd ed.). Wiley.

Anforderungen an die Projektgruppe:

• Erstellen von Anforderungen an das Tool
• Erstellung von Use-Cases für mögliche Analysemöglichkeiten
• Erstellung eines Projektplans und Verteilung der Aufgaben auf die Gruppenmitglieder
• Erstellung einer funktionstüchtigen Applikation basierend auf den Anforderungen
• Evaluierung der Analysen an einem realen Beispiel (Daten werden vom Betreuer bereitgestellt und müssen nicht als Teil der Projektarbeit erhoben werden)

Voraussetzungen:

• Studierende der Fakultät für Informatik im Bachelor mit mindestens 90 CP oder im Master (Standard/Pflicht)
• Gute Programmierkenntnisse sind wünschenswert
• Das vorherige Belegen des Moduls „Wirkung und Wirtschaftlichkeit von IT-Systemen“ wird empfohlen, ist aber nicht verpflichtend

Zielgruppe: Bachelor- oder Masterstudierende 

Sprache: Deutsch oder Englisch 

Problemstellung:

Conceptual models are constructed with a modeling language. This modeling language is often specified by constructing a so-called meta model. Meta models of widely disseminated and used modeling languages are often created and maintained by large consortia, e.g., the Unified Modeling Language (UML) is managed by the Object Management Group (OMG). Modelers have only sparse possibilities to manipulate these languages. To increase the productivity and efficiency of conceptual modeling, some researchers call for the specification of custom languages tailored to a specific purpose, so-called domain-specific modeling languages (DSMLs). DSMLs promise to offer various benefits compared to general-purpose modeling languages like the UML or ERM (Kelly and Tolvanen 2008). But in order for companies to construct DSMLs, their employees must possess the competency to construct high-quality meta models. 

In the past year, a set of learning units has been developed to support teaching and learning object-oriented modeling with the UML (Maier and Schwarz 2024). This led to the development of a new modeling tool called UML-MX (Frank and Maier 2025) tailored for teaching and learning purposes. UML-MX is an adapted version of the multi-level-modeling tool XModeler^ML (Frank et al. 2022). Within this project, you are asked to build on the existing systems architecture, implemented for designing learning units in UML-MX, in order to develop learning units suited to support teaching and learning meta modeling and domain-specific modeling languages. 

Note: A small introduction on meta modeling and domain-specific modeling languages will be given by the advisor at the beginning of the project.

• Frank U (2013) Domain-Specific Modeling Languages: Requirements Analysis and Design Guidelines. In: Reinhartz-Berger I et al (eds). Domain Engineering: Product Lines, Languages, and Conceptual Models. Springer: Berlin, Heidelberg, pp 133–158
• Frank U, Mattei LL, Clark T, Töpel D (2022) Beyond Low Code Platforms: The XModelerML --- An Integrated Multi-Level Modeling and Execution Environment. Modellierung 2022 Satellite Events
• Frank U, Maier P (2025) UML-MX: Boosting Power of Object-Oriented Modeling and Enriching User Experience. In: Kaczmarek-Heß M et al (eds). Enterprise Design, Operations, and Computing. EDOC 2024 Workshops: iRESEARCH, MIDas4CS, Doctoral Consortium, Joint CBI–EDOC Forum and Other Joint CBI-EDOC Events, Vienna, Austria, September 10–13, 2024, Revised Selected Papers. Springer, pp 276–286
• Kelly S, Tolvanen J-P (2008) Domain-Specific Modeling: Enabling Full Code Generation. John Wiley & Sons: Hoboken, NJ
• López-Fernández JJ, Cuadrado JS, Guerra E, de Lara J (2015) Example-Driven Meta-Model Development. Software and Systems Modeling 14:1323–1347
• Maier P, Schwarz T (2024) UML++: Enhancing Student Learning of Object-Oriented Modeling through Executable Objects. MODELS Companion '24: Proceedings of the ACM/IEEE 27th International Conference on Model Driven Engineering Languages and Systems, pp 107–114
• Mernik M, Heering J, Sloane AM (2005) When and How to Develop Domain-Specific Languages. ACM Computing Surveys 37(4):316–344

Anforderungen an die Projektgruppe:

• Erstellung eines Projektplans und Verteilung der Aufgaben auf die Gruppenmitglieder
• Design of learning units for domain-specific modeling languages and meta modeling that consist of (i) a set of learning objectives, (ii) explanations and examples of the covered subjects, and (iii) a set of modeling excercises suited to review one’s attainment of the learning objectives.
  • The selection and design of learning units should be justified and explained in a project report.
• Implementation of designed learning units using XModeler^ML. Note: You can reuse large chunks of existing code which will be provided and explained to you at the beginning of the project.

Voraussetzungen:

• Studierende der Fakultät für Informatik im Bachelor mit mindestens 90 CP oder im Master (Standard/Pflicht)

Zielgruppe: Bachelor- oder Masterstudierende 

Sprache: Deutsch oder Englisch 

Problemstellung:

Der stark wettbewerbsgeprägte Sektor des Lebensmitteleinzelhandels zeichnet sich unter anderem über abwechselnde Rabattaktionen von Artikeln aus. Hierbei liegt häufig die Verhandlungsmacht und die Festsetzung solcher Rabattaktionen im Bereich der Lieferanten, allerdings können auch vereinzelt die Einzelhändler über den Zeitpunkt und die Dauer einer Rabattaktion bestimmen. So kann es durchaus vorkommen, dass ein Artikel bei unterschiedlichen Einzelhändlern zu unterschiedlichen Preisen zur selben Zeit rabattiert angeboten wird. Das Ziel einer Rabattaktion ist häufig zweigeteilt und betrifft einerseits das Anlocken von Kunden, aber auch das rechtzeitige Abverkaufen von Artikeln, um den Lagerbestand zu reduzieren. Somit ist die taktische Planung und Durchführung von Rabattaktionen eine Möglichkeit kompetitiv zu bleiben. Da die Planung und Durchführung von Rabattaktionen der Wettbewerber ein Betriebsgeheimnis sind, müssen diese Informationen auf andere Art und Weise beschafft werden. Hierfür eignet sich der Einsatz von maschinellem Lernen, um Prognosen über Rabattaktionen von Artikeln basierend auf historischen Informationen zu erstellen. Jedoch wird besonders für den Ansatz des Supervised Learnings ein existierender Datensatz benötigt. 

Ziel der Projektarbeit ist es ein Tool zu entwickeln, welches konkret für einen Lebensmitteleinzelhändler entworfen wird. Dabei soll das Tool die eigenen Artikel des Einzelhändlers, welche von Einer Rabattaktion betroffen sind den rabattierten Artikeln von potenziellen Wettbewerbern gegenüberstellen. Die Auswahl der potenziellen Wettbewerber erfolgt dabei über eine Distanzberechnung. Das Tool soll dem Einzelhändler helfen Artikel zu identifizieren, die zur selben Zeit bei mehreren (auch beim Einzelhändler selbst) Wettbewerbern rabattiert sind. Basierend auf diesen gesammelten Daten soll das Tool außerdem die Möglichkeit liefern eine Prognose für rabattierte Artikel bei den Wettbewerbern für mindestens zwei Wochen zu erstellen, sodass der Einzelhändler seine eigenen Rabattaktionen entsprechend planen kann.

Referenzen:

• Simon, H., & Fassnacht, M. (1982). Preismanagement (pp. 68-69). Wiesbaden: Gabler.

• Bienert, M.L. (1996). Standorttheoretische Grundlagen. In: Standortmanagement. Neue betriebswirtschaftliche Forschung, vol 115. Gabler Verlag, Wiesbaden. doi.org/10.1007/978-3-322-99228-4_2.

• Mulhern, F. J., & Padgett, D. T. (1995). The relationship between retail price promotions and regular price purchases. Journal of Marketing, 59(4), 83-90.

• Schößler, T., & Schößler, T. (2019). Rabatt-und Konditionenpolitik. Preispolitik im Kulturbetrieb: Eintrittspreise erfolgreich gestalten, 135-154.

Anforderungen an die Projektgruppe:

• Erstellung eines Projektplans und Verteilung der Aufgaben auf die Gruppenmitglieder
• Erstellung einer Anforderungsanalyse des Tools
• Erstellung eines funktionsfähigen Prototyps
• Testing des Prototyps

Voraussetzungen:

• Studierende der Fakultät für Informatik im Bachelor mit mindestens 90 CP oder im Master (Standard/Pflicht)

Zielgruppe: Bachelor- oder Masterstudierende 

Sprache: Deutsch oder Englisch 

Problemstellung:

Der Lebensmitteleinzelhandel in Deutschland ist durch einen intensiven Wettbewerb geprägt. Unternehmen streben danach, ihre Produkte zu möglichst niedrigen Preisen anzubieten, ohne dabei auf Qualität zu verzichten. Discounter haben traditionell das Niedrigpreissegment dominiert, während Vollsortimenter wie Rewe oder Edeka zunehmend eigene Handelsmarken mit unterschiedlichen Preis- und Qualitätsstufen im Sortiment führen. Diese Differenzierung innerhalb der Eigenmarken macht es für Verbraucher herausfordernd, den tatsächlichen Wert eines Produkts einzuschätzen.

Während der Preis für viele Kunden ein entscheidender Faktor bei der Kaufentscheidung ist, bleibt die objektive Beurteilung der Produktqualität oft schwierig. Inhaltsstoffe, Nährwerte oder Herkunft eines Produkts sind zwar häufig auf Verpackungen und Hersteller-Webseiten verfügbar, doch eine systematische Analyse dieser Informationen im Verhältnis zum Preis ist selten direkt zugänglich.

Ziel des Projekts

Das Ziel dieses Projekts ist die Entwicklung eines Tools, das automatisiert Inhaltsstoffinformationen von Lebensmitteln auf Webseiten extrahiert, mit den jeweiligen Produktpreisen verknüpft und in einer strukturierten Form speichert. Dies soll die Grundlage für eine datengetriebene Analyse des Preis-Leistungs-Verhältnisses von Lebensmitteln bilden.

Literatur:

• Simon, H., & Fassnacht, M. (1982). Preismanagement (pp. 68-69). Wiesbaden: Gabler.

• Kreilkamp, E. (1998). Produkt-und Preispolitik. Haedrich, Günther, Kaspar, Claude, Klemm, Kristiane und Kreilkamp, Edgar (Hrsg.), Tourismus-Management: Tourismus-Marketing und Fremdenverkehrsplanung, 2.

• Maynes, E. S. (1976). The concept and measurement of product quality. In Household production and consumption (pp. 529-584). NBER.

• Harvey, L., & Green, D. (2000). Qualität definieren. fünf unterschiedliche Ansätze. In Qualität und Qualitätssicherung im Bildungsbereich; Schule, Sozialpädagogik, Hochschule. (pp. 17-39).

Anforderungen an die Projektgruppe:

• Erstellung eines Projektplans und Verteilung der Aufgaben auf die Gruppenmitglieder
• Entwicklung eines Scraping-Tools zur Extraktion von Produktinformationen aus Online-Supermärkten oder Hersteller-Webseiten
• Speicherung und Strukturierung der extrahierten Daten (z. B. in einer Datenbank)
• Implementierung eines Mechanismus zur Verknüpfung von Inhaltsstoffdaten mit den entsprechenden Produktpreisen
• (Optional) Entwicklung einer ersten Bewertungsheuristik zur Berechnung eines Preis-Leistungs-Scores basierend auf definierten Qualitätskriterien

Voraussetzungen:

• Studierende der Fakultät für Informatik im Bachelor mit mindestens 90 CP oder im Master (Standard/Pflicht)
• Grundkenntnisse in Web Scraping (z. B. mit Python, BeautifulSoup, Scrapy)
• Erfahrung im Umgang mit Datenbanken (SQL oder NoSQL)
• (Optional) Grundkenntnisse in Datenanalyse oder Machine Learning zur Bewertung der Produktqualität

Zielgruppe: Bachelor- oder Masterstudierende 

Sprache: Deutsch oder Englisch