Herr Maußen untersucht in seiner Masterarbeit den Einfluss von Business Intelligence (BI) Systemen auf die dynamischen Fähigkeiten von Unternehmen. Die Arbeit basiert auf einer Kombination aus Literaturrecherche und Experteninterviews. Sie zielt darauf ab, zu verstehen, wie BI-Systeme zur Schaffung von Wettbewerbsvorteilen beitragen können. Die Forschung konzentriert sich auf drei Dimensionen dynamischer Fähigkeiten: das Erfassen, das Nutzen und das Transformieren. BI-Systeme beeinflussen hauptsächlich die ersten beiden Dimensionen direkt, während die Transformationsfähigkeit indirekt beeinflusst wird. BI-Systeme unterstützen Unternehmen darin, Chancen zu erkennen und zu nutzen, indem sie Daten in wertvolle Einsichten umwandeln und Entscheidungsfindungsprozesse verbessern. Diese Systeme können auch zu Veränderungen in Geschäftsprozessen, Organisationsstrukturen und der Unternehmenskultur führen. Wichtige positive Auswirkungen von BI-Systemen umfassen eine verbesserte Datengrundlage, Analysefunktionen und eine gesteigerte Entscheidungsflexibilität. Sie ermöglichen auch die Entwicklung neuer Geschäftsmodelle und Strategien sowie die Erschließung neuer Märkte. Gleichzeitig wurden auch potenzielle negative Auswirkungen identifiziert, wie z.B. eine zu starke Abhängigkeit von Daten und mögliche Verzerrungen in den Einsichten. Die Arbeit betont, dass die erfolgreiche Implementierung und Nutzung von BI-Systemen von mehreren Faktoren abhängt, darunter menschliche Fähigkeiten, eine datengesteuerte Unternehmenskultur, der Umfang der BI-Systeme und die Verfügbarkeit von Daten. Es wird festgestellt, dass BI-Systeme allein nicht ausreichen, um die gewünschten Ergebnisse zu erzielen, sondern dass zusätzliche Anstrengungen erforderlich sind, insbesondere im Bereich der Transformationsfähigkeit. Zusammenfassend zeigt die Arbeit, dass BI-Systeme einen signifikanten Einfluss auf die dynamischen Fähigkeiten von Unternehmen haben können, insbesondere im Hinblick auf das Erkennen und Nutzen von Chancen. Sie leistet sowohl einen Beitrag zur akademischen Forschung als auch zur Praxis, indem sie aufzeigt, wie genau Unternehmen BI-Systeme nutzen können, um Wettbewerbsvorteile zu schaffen.

Die Bachelorarbeit bietet einen Einblick in die Simulation von Preisentwicklungen an Aktienmärkten mit Generative Adversarial Networks (GANs). Die Motivation hinter dieser Arbeit liegt in der zentralen Bedeutung der Aktienkursvorhersage in der Finanzwirtschaft. Aktienmärkte fungieren als ökonomische Trendbarometer, und die Vorhersage von Aktienkursen ist aufgrund der Komplexität der Märkte und der Vielzahl an Einflussfaktoren eine erhebliche Herausforderung. Das Ziel der Arbeit ist es, die Eignung von GANs für die Vorhersage von Aktienkursen zu untersuchen und zu bewerten, ob Vorhersagen durch GANs besser sind als die von vergleichbaren KI-basierten Modellen. GANs, eine besondere Form neuronaler Netze, bestehen aus zwei Teilen: einem Generator und einem Diskriminator. Diese werden parallel trainiert, wobei der Generator Fake-Daten erzeugt und der Diskriminator diese von echten Daten unterscheidet. In der praktischen Umsetzung wurden verschiedene GAN-Modelle mit ausgewählten deutschen Aktien trainiert und getestet. Dabei wurden sowohl einzelne Aktien als auch Branchen untersucht. Als Maßstab für die Beurteilung der Modelle dienten der Root Mean Square Error (RMSE) und der Root Mean Square Percentage Error (RMSPE). Die Ergebnisse zeigten, dass GANs im Allgemeinen bessere Vorhersagen treffen als die Vergleichsmodelle. Abschließend wird festgestellt, dass GANs für die Vorhersage von Aktienkursen gut geeignet sind und zunehmend in diesem Bereich eingesetzt werden. Allerdings weisen sie auch gewisse Instabilitäten auf. Für zukünftige Forschungen wird empfohlen, die Optimierung der Hyperparameter und den Einsatz zusätzlicher Features zu untersuchen. Auch sollte die Vorhersage auf einen längeren Zeitraum ausgeweitet werden, um nicht nur punktuelle Vorhersagen zu treffen, sondern auch Trends zu identifizieren.