Zum Inhalt springen

Nur-Lesen-Fassung: Das Forschungsinformationssystem (FIS) ist aus Sicherheitsgründen vorübergehend durch diese Nur-Lesen-Fassung ersetzt. Alle öffentlichen Inhalte und Volltexte sind weiterhin abrufbar; Anmeldung, Bearbeitung, Einreichung und Statistiken stehen nicht zur Verfügung. Bei Fragen: fis@uni-bamberg.de

Start › Publikationen › Predictive Analytics for Energy Efficiency and Energy Retailing

Publikation

Predictive Analytics for Energy Efficiency and Energy Retailing

Hopf, Konstantin (2019): Predictive Analytics for Energy Efficiency and Energy Retailing, Bamberg: University of Bamberg Press, doi: 10.20378/irbo-54833.

Details

Fakultät/Lehrstuhl
Autorin(nen)/Autor(en)
Hopf, Konstantin
Verlagsangabe
University of Bamberg Press : Bamberg
Erscheinungsjahr
2019
Seiten
XXVI, 251, Illustrationen, Diagramme
ISBN
978-3-86309-668-7
978-3-86309-669-4
Schriftenreihe(n)/Serie(n) ; Band
Gutachterin(nen)/Gutachter
Quelle/Weitere Ausgabe
Parallel erschienen als Druckausg. in der University of Bamberg Press, 2019 (32,50 EUR)
Sprache(n)
Englisch
Anmerkungen

Dissertation, Otto-Friedrich-Universität Bamberg, 2019

Zur Bestellung der Druckausgabe
DOI
Lizenz
URN
Abstract

Digitization causes large amounts of data in organizations (e.g., transaction data from business processes, communication data, sensor data). Besides, a large number of data sources are emerging online and can be freely used. Firms are looking for ways to commercialize this increasing amount of data and research aims to better understand the data value creation process. The present dissertation answers five central research questions in this context and examines how machine learning (ML) can be used to create value from data, using case studies from energy retailing and energy efficiency. First, a systematic literature review gives an overview of firm internal and external data sources for potential analyses. Second, the importance of human cognition, theory, and expert knowledge in effective data preparation for ML is demonstrated. Third, current ML algorithms and variable selection methods are empirically compared using industry data sets. Implications for theory and practice are identified. Finally, the successful use of the information gained through ML is exemplified through case studies where increased energy efficiency, customer value, and service quality can demonstrate economic, environmental, and social value. Thus, this empirical work contributes to the so far rather conceptual discussion on value creation from big data in information systems research.

GND-Schlagwort(e)
Maschinelles Lernen
Prognose
Statistik
Energie
Freie Schlagwort(e)
Predictive Analytics
Machine Learning
Data Value Creation Process
Energy Retailing
Ambient Data
DDC-Klassifikation
004 Computer science
330 Wirtschaft
RVK-Klassifikation
ST 515
Dokumenttyp
Dissertation
URI
Datum der Freischaltung
18.07.2019, 18.07.2019

Permalink: https://fis.uni-bamberg.de/handle/uniba/45617 · Daten als JSON · Zitieren: BibTeX · RIS

Datenstand: 16.11.2026

Eingeschränkter Lesezugriff: Anmeldung, Bearbeitung und Einreichung sind vorübergehend deaktiviert.