Themenangebote
Veröffentlichung der Projektthemen
Die Projektthemen für das Wintersemester 2025/2026 werden ab dem 29.09.2025 auf dieser Seite zur Verfügung gestellt. Ab diesem Zeitpunkt wird auch das Online-Bewerbungsformular zugänglich sein, über welches Sie sich auf die Projekte bewerben können.
Die Bewerbungsfrist, bis zu der Sie sich dann auf die Projekte bewerben können ist Sonntag, der 12.10.2025 bis 23:59 Uhr.
Bitte geben Sie entsprechend bei den Themenwünschen/Prioritäten mehrere Projekte an, da wir ansonsten bei nur einem Wunsch davon ausgehen, dass Sie keine anderen Projekte durchführen möchten, wenn Sie Ihr gewünschtes Projekt nicht bekommen. Sollten Sie sich mit einer Gruppe bewerben, dann muss auch jedes Gruppenmitglied eine gesonderte Bewerbung ausfüllen mit Angabe der Kommiliton:innen, mit denen Sie das Projekt durchführen möchten.
Projekt P1
Projekt P1: Entwicklung eines interaktiven Dashboard-Tools zur Analyse und Visualisierung von Arbeitgeberbewertungen
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.
References:
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
Voraussetzungen:
- Studierende der Fakultät für Informatik im Bachelor mit mindestens 90 CP oder im Master (Standard/Pflicht)
- Grundsätzliches Interesse sich mit KI-basierten Methoden und deren programmatischen Umsetzung zu beschäftigen
Zielgruppe: Bachelor- oder Masterstudierende
Sprache: Deutsch oder Englisch
Projekt P2
Projekt P2: Design and Implementation of an LLM-Assisted Synthetic Model Instance Generator for UML++ Models
Problemstellung:
Caused by the wide dissemination of large language models (LLMs), generative AI techniques are being increasingly applied to generate different kinds of synthetic data. While the generation of synthetic data has been investigated for long with a variety of different approaches, the use of LLMs seems to showcase great prospects in that area. A prominent example is the use of LLMs to generate synthetic geometric theorems which are used in a system for solving olympiad geometry (Trinh et al 2024).
Although the potentials for using LLMs to generate synthetic data have been investigated for many areas (e.g., Busker et al. 2025), LLMs have not yet been applied to generate synthetic instances for UML class diagrams. Synthetic model instances may be used in simulations, may serve as illustrations in teaching, or may be used to analyze the quality of UML class diagrams. The core objective of this project is to design and to construct an LLM-assisted synthetic model instance generator for UML++ diagrams. UML++ is an executable version of UML, which is implemented as a dialect of the multi-level modeling language FMMLx (Maier and Schwarz 2024). The corresponding UML++ modeling tool, called UML-MX (Frank and Maier 2025), allows for the instantiation and execution of class diagrams at run time – unlike regular UML modeling tools, which require separate, unintegrated class and object diagrams. The tool is open access and can be downloaded at https://www.wi-inf.uni-due.de/LE4MM/uml-mx/. UML++ diagrams can be saved as XML files for further processing with other tools.
You are expected to develop a stand-alone tool, which can take a UML++ class diagram as input (represented as an XML file) and produces an XML file that represents the input UML++ class diagram alongside generated synthetic model instances.
Literatur:
Busker T, Choenni S, Bargh MS (2025) Exploiting GPT for Synthetic Data Generation: An Empirical Study. Government Information Quaterly 42
- Cámara J, Troya J, Burgueño L, Vallecillo A (2023) On the Assessment of Generative AI in Modeling Tasks: An Experience Report with ChatGPT and UML. Software and Systems Modeling 22(3):781–793
- 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
- 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
- Sobieszek A, Price T (2022) Playing Games with AIs: The Limits of GPT-3 and Similar Large Language Models. Minds and Machines 32:341–364
- Trinh TH, Wu Y, Le QV, Luong T (2024) Solving Olympiad Geometry Without Human Demonstrations. Nature 625:476–482
Anforderungen an die Projektgruppe:
- Analysis of requirements for synthetic model instance generation, which should include the...
- identification and formulation of fixed parameters (e.g., “number of instances to be generated”)
- design of workflows for the generation of synthetic model instances
- Adaption of selected LLM in order to process UML++ diagrams and generate synthetic model instances
Construction of web-based or stand-alone tool that implements selected requirements
Next to a running implementation, students are required to hand in a project report which should include:
- List of requirements
- Justification and explanation of central design choice
- Justification and explanation of LLM adaption process
- Documentation of implemented artifact (e.g., architecture description)
- Evaluation of implemented artifact
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
Projekt P3
Projekt P3: Entwicklung eines Prototypen zur Unterstützung zur Ermittlung der Wirtschaftlichkeit von IT-Systemen
Problemstellung:
Der wirtschaftliche Beitrag von IT-Systemen ist in vielen Organisationen schwer eindeutig zu bestimmen. Einerseits beeinflussen externe Rahmenbedingungen wie Marktumfeld, regulatorische Vorgaben oder technologische Trends den Erfolg eines Systems. Andererseits hängt der Wertbeitrag der IT stark von den spezifischen Eigenschaften und der Nutzung des jeweiligen IT-Systems ab. Klassische Wirtschaftlichkeitsberechnungen greifen hier oft zu kurz, da sie die komplexe Verzahnung zwischen Voraussetzungen, funktionalen Möglichkeiten und tatsächlichen Wirkungen nur unzureichend abbilden.
Ziel des Projekts ist daher die prototypische Entwicklung eines Tools, das diese Abhängigkeiten systematisch erfasst und transparent darstellt. Das Tool soll die wesentlichen Prämissen (z. B. organisatorische Strukturen, Prozessreife, externe Einflüsse), die resultierenden Wirkungen (z. B. Effizienzsteigerungen, Qualitätsverbesserungen, Risikoreduktionen) sowie die konkreten Funktionalitäten eines IT-Systems miteinander verknüpfen. Auf dieser Grundlage wird eine fundierte Wirtschaftlichkeitsberechnung ermöglicht, die sowohl quantitative als auch qualitative Aspekte berücksichtigt.
Der Prototyp soll in enger Abstimmung konzipiert werden, um reale Anforderungen und typische Anwendungsszenarien einzubeziehen. Dabei steht weniger die exakte monetäre Bewertung im Vordergrund, sondern vielmehr die transparente Nachvollziehbarkeit, wie Wertbeiträge zustande kommen und unter welchen Bedingungen sie eintreten.
Mit dem geplanten Tool soll ein Instrument geschaffen werden, das Entscheidungsträgern eine differenzierte Grundlage für Investitions- und Betriebsentscheidungen bietet. Langfristig kann es so zur besseren Steuerung und Nachvollziehbarkeit von IT-Investitionen beitragen und die Diskussion über den Wertbeitrag von IT-Systemen auf eine methodisch fundierte Basis stellen.
Zielsetzung:
- Entwicklung eines Prototyps der bei der Ermittlung der Wirtschaftlichkeit eines IT-Systems in verschiedenen Szenarien unterstützt
Abbildung realistischer Szenarien Kompositionen im Tool, um verschiedene Prämissenausprägungen zu ermöglichen
Literatur:
- Masli, A., Richardson, V. J., Sanchez, J. M., & Smith, R. E. (2011). The Business Value of IT: A Synthesis and Framework of Archival Research. Journal of Information Systems, 25(2), 81–116. doi.org/10.2308/isys-10117
- Schryen, G. (2013). Revisiting IS business value research: what we already know, what we still need to know, and how we can get there. European Journal of Information Systems, 22(2), 139–169. https://doi.org/10.1057/ejis.2012.45
- 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:
- Erstellung eines Projektplans und Verteilung der Aufgaben auf die Gruppenmitglieder
- Erstellung eines umfassenden Klassendiagramms was die Verknüpfung von Szenarien, Prämissen, Softwarefunktionen und daraus resultierenden Wirkungen darstellt (eine Ausgangsversion kann in Schütte et al., 2022 gefunden werden)
- Entwicklung eines Prototyps, der das oben genannte Klassendiagramm umsetzt und die Anlage, Verknüpfung und Modifikation von Wirkungen, Prämissen und Funktionen ermöglicht
- Aufbau einer transparenten und modular erweiterbaren Architektur, um das Projekt in zukünftigen (Forschungs)Projekten weiter zu entwickeln
Voraussetzungen:
- Studierende der Fakultät für Informatik im Bachelor mit mindestens 90 CP oder im Master (Standard/Pflicht)
- Erste Programmiererfahrungen sind wünschenswert
- Bestehen des Moduls“ Wirkung und Wirtschaftlichkeit von IT-Systemen“ ist hilfreich
Zielgruppe: Bachelor- oder Masterstudierende
Sprache: Deutsch oder Englisch
Projekt P4
Projekt P4: Wissenschaftliche Validierung und Vergleich von Kompetenzrahmen: Eine Analyse relevanter und zukünftiger Fähigkeiten in der Wirtschaftsinformatik
Problemstellung:
Die digitale Transformation stellt Unternehmen und Bildungseinrichtungen gleichermaßen vor die Herausforderung, den Aufbau und die Weiterentwicklung von IT-Kompetenzen systematisch zu gestalten. Um Fachkräfte zielgerichtet ausbilden und entwickeln zu können, braucht es Orientierung darüber, welche Fähigkeiten heute relevant sind und welche in Zukunft an Bedeutung gewinnen werden.
Kompetenzrahmen wie SFIA, das European e-Competence Framework (e-CF, EN 16234-1:2019) oder das NICE-Framework strukturieren Fähigkeiten, Rollen und Wissensbestände, unterscheiden sich jedoch deutlich in Terminologie, Aufbau und Zielgruppen.
So arbeitet SFIA mit sieben Ebenen der Verantwortung und beschreibt fachliche wie auch generische Kompetenzen entlang dieser Progression. Das e-CF definiert 41 Kompetenzen in fünf IKT-Geschäftsbereichen und ordnet diese unterschiedlichen Niveaustufen zu. Frühere Versionen führten 40 Kompetenzen, was die Vergleichbarkeit über verschiedene Versionen hinweg erschwert. Für sicherheitsnahe Rollen werden zusätzlich weitere Frameworks, wie das NICE-Framework, herangezogen.
Gleichzeitig verändern KI-Trends den zukünftigen Fähigkeitsbedarf erheblich. Bereiche wie Artificial Intelligence & Big Data, Netzwerk- und IT-Sicherheit sowie eine umfassende Technologieliteracy gewinnen bis 2030 stark an Bedeutung. Bestehende Kompetenzrahmen müssen daher ergänzt und validiert werden, um sowohl Studiengänge als auch Weiterbildungsprogramme zielgerichtet und zukunftssicher auszurichten.
Zielsetzung:
- Die Projektgruppe entwickelt und validiert eine Fähigkeitenlandkarte für die Wirtschaftsinformatik, in der mindestens die Kompetenzrahmen SFIA (v9) und e-CF (EN 16234-1:2019) systematisch berücksichtigt werden; wo sinnvoll, fließen zusätzlich das NICE-Framework sowie DigComp 2.2 ein.
- Dabei sollen Lücken zwischen den Rahmenwerken identifiziert und zukünftige, KI-getriebene Kompetenzbedarfe empirisch untermauert werden.
- Das Ergebnis ist ein wissenschaftlich validiertes Mapping, das als Orientierung für Capability Building in Lehre und Praxis dient.
- Ergänzend werden eine Fähigkeitenlandkarte sowie ein Empfehlungskatalog entwickelt, die insbesondere die relevanten Kompetenzen mit Blick auf das Jahr 2030 darstellen.
References:
- Saabeel, Wanda. (2023). European e-Competence Framework (e-CF): An Introduction to the Standard and its Ecosystem (v1 - nov 2023) (new version available v2 - nov 2024).
- SFIA Foundation. (2024). SFIA 9: The global skills and competency framework. London: SFIA Foundation.
- Wimmer, B., Mayr, I., & Händler, T. (2024). Navigating the Landscape of Digital Competence Frameworks: A Systematic Analysis of AI Coverage and Adaptability. In CSEDU (1) (pp. 653-667).
Anforderungen an die Projektgruppe:
- Erstellung eines Projektplans und Verteilung der Rollen auf die Gruppenmitglieder
- Erstellung einer Fähigkeitenlandkarte
- Identifikation und Auflistung von Lücken und zukünftigen Bedarfen
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
Projekt P5
Projekt P5: Implementation of a Retail Sales Forecasting Dashboard to Compare the Accuracy of Traditional Statistical and Machine Learning Methods
Problemstellung:
Sales forecasting is utterly important for a wide range of operational tasks in retail companies, such as inventory planning and supply chain management (Arunraj and Ahrens, 2015; Ganguly and Mukherjee, 2024). Traditionally, statistical methods such as ARIMA or exponential smoothing have been used for sales forecasts based on historical sales data (Chu and Zhang, 2003; Deepak et al., 2025). However, this requires in-depth knowledge of the complex patterns and relations in the data. Furthermore, these methods often fail to adequately consider the numerous potential influencing factors (e.g., promotions, holidays). Machine learning methods, such as random forest or support vector regression, may provide a solution and potentially provide improved prediction results (Dairu and Shilong, 2021).
Accordingly, this project aims to compare traditional statistical methods with machine learning methods using a retail dataset from Kaggle. To present the results, an interactive dashboard should be developed that allows users to visualize historical and forecasted sales figures and compare the accuracy of the different methods.
Objective:
The project aims to develop a dashboard for comparing traditional statistical and machine learning methods in terms of predicting sales figures in a retail context. For this purpose, the following goals must be achieved:
- Data preprocessing of a retail dataset provided
- Identification and Implementation of suitable traditional statistical methods and machine learning methods
- Identification of suitable evaluation metrics for assessing forecast quality as well as a comparison of the forecast results
- Visualization of results in a dashboard (preferably by using the Python library plotly dash)
Literatur:
Arunraj, N. S., & Ahrens, D. (2015). A hybrid seasonal autoregressive integrated moving average and quantile regression for daily food sales forecasting. International Journal of Production Economics, 170, 321–335. https://doi.org/10.1016/j.ijpe.2015.09.039
Chu, C., & Zhang, G. P. (2003). A comparative study of linear and nonlinear models for aggregate retail sales forecasting. International Journal of Production Economics, 86(3), 217–231. https://doi.org/10.1016/s0925-5273(03)00068-9
Dairu, X., & Shilong, Z. (2021). Machine Learning Model for Sales Forecasting by Using XGBoost (Vol. 17, pp. 480–483). https://doi.org/10.1109/iccece51280.2021.9342304
Deepak, R., Sathyanarayanan, R., & Arunnehru, J. (2025). Demand and sales forecasting using random forest and linear regression. In Lecture notes in networks and systems (pp. 525–540). https://doi.org/10.1007/978-981-96-1981-8_42
Ganguly, P., & Mukherjee, I. (2024). Enhancing Retail Sales Forecasting with Optimized Machine Learning Models. Proceedings of the International Conference on Sustainable Expert Systems, 884–889. https://doi.org/10.1109/icses63445.2024.10762950
Anforderungen an die Projektgruppe:
- Development of a project plan and assignment of tasks to group members
- Hybrid/Agile project management
- Requirements gathering, analyses and the derived product backlog with prioritizations
- Development of a functional dashboard application based on the identified requirements
- Final product presentation
- Project report
Voraussetzungen:
- Students of the Faculty of Computer Science in a bachelor’s program with at least 90 CP or in a master’s program (standard/compulsory)
- Interest in machine learning models, their implementation and evaluation metrics as well as data visualization
Zielgruppe: Bachelor- oder Masterstudierende
Sprache: Deutsch oder Englisch
Projekt P6
Projekt P6: Empirische Evaluation der Gesundheitsqualität von Produkten
Problemstellung:
Die Wahrnehmung der Qualität von Produkten spielt für Konsumenten eine zentrale Rolle bei der Produktwahl, insbesondere in den Bereichen Lebensmittel, Getränke und Nahrungsergänzungsmittel. Trotz zunehmender Verfügbarkeit objektiver Gesundheitsinformationen – etwa Nährwertangaben oder Zertifizierungen – bleibt unklar, wie Konsumenten die Gesundheitsqualität von Produkten subjektiv bewerten und welche Faktoren diese Wahrnehmung maßgeblich beeinflussen.
Unternehmen stehen vor der Herausforderung, diese subjektive Wahrnehmung systematisch zu erfassen, um Produktentwicklungen, Marketingstrategien und Sortimentsentscheidungen fundiert zu gestalten. Während objektive Kriterien wie Inhaltsstofflisten und Kalorienangaben standardisiert erfasst werden können, spiegelt die individuelle Bewertung der Kunden oft komplexe, schwer messbare Aspekte wider, darunter persönliche Gesundheitsziele, Erfahrungen, Glaubwürdigkeit von Markeninformationen oder das Vertrauen in Labels und Zertifikate.
Da eine Gesamtqualität eines Produktes nur subjektiv erfassbar ist und individuell unterschiedlich ist, soll vorerst eine Einschränkung auf die Gesundheitsqualität vorgenommen werden. Dabei meint Gesundheitsqualität vor allem, dass ein Produkt gesund ist, sofern es nicht übermäßig konsumiert wird. Zuckerhaltige Produkte sind demnach ungesund und folgen in größten Teilen der Einschätzung der WHO.
Eine objektive Bewertung der Gesundheitsqualität liegt aktuell in Form eines Tools vor, welches diese anhand der Zutatenliste eines Produktes in Kombination mit einer komplexen Formel bestimmt. Da es allerdings an empirischer Validierung fehlt, soll diese Projektgruppe darauf aufbauen und die subjektive Wahrnehmung der Gesundheitsqualität durch empirische Validierung durchführen. Die methodische Umsetzung ist dabei von der Projektgruppe zu wählen.
Zielsetzung:
- Die Projektgruppe soll auf der Grundlage dieses Tools empirische Daten erheben (z.B., in Form eines Fragebogens). Die Datenerhebung soll dabei an verschiedenen Standorten stationärer Einzelhandelsfilialen erfolgen.
- Dabei sollen Faktoren identifiziert werden, die einen Einfluss auf die subjektive wahrgenommene Qualität von Produkten haben. Neben den Faktoren sollen diese Produkte ebenfalls der Einschätzung der Qualität durch die Befragten unterzogen werden.
- Anschließend soll einerseits die objektive Kennzahl mit der subjektiven Verglichen werden und andererseits statistisch signifikante Faktoren herausgearbeitet werden.
Referenzen:
- Cruz, A. V. (2015). Relationship between product quality and customer satisfaction.
- Naini, N. F., Santoso, S., Andriani, T. S., Claudia, U. G., & Nurfadillah, N. (2022). The effect of product quality, service quality, customer satisfaction on customer loyalty. Journal of consumer sciences, 7(1), 34-50.
- Razak, I., Nirwanto, N., & Triatmanto, B. (2016). The impact of product quality and price on customer satisfaction with the mediator of customer value. IISTE: Journal of Marketing and Consumer Research, 30, 59-68.
Anforderungen an die Projektgruppe:
- Erstellung eines Projektplans und Verteilung der Rollen auf die Gruppenmitglieder
- Deployment des bisherigen Tools
- Auswahl einer geeigneten Methode zur empirischen Datenerhebung
- Analyse und Auswertung mittels statistischer Tools (R, SPSS, SmartPLS)
Voraussetzungen:
- Studierende der Fakultät für Informatik im Bachelor mit mindestens 90 CP oder im Master (Standard/Pflicht)
- (Optional) Erfahrung mit empirischer Datenerhebung und statistischer Auswertung
Zielgruppe: Bachelor- oder Masterstudierende
Sprache: Deutsch oder Englisch