In datengetriebenen Beratungsprozessen ist die Qualität der Entscheidungsgrundlagen entscheidend – Unsicherheiten in Datenerfassung, Modellannahmen oder externen Einflussfaktoren können Empfehlungen stark beeinflussen. Die Kombination aus Low-Code-Plattformen wie der Microsoft Power Platform und Python-basierten stochastischen Modellen bietet ein innovatives Framework zur statistischen Absicherung solcher Prozesse.
Zielsetzungen der Arbeit:
- Konzeption und Entwicklung einer modularen Lösung zur Absicherung datenbasierter Beratungsprozesse
- Implementierung stochastischer Modelle in Python zur Analyse von Unsicherheiten
- Visualisierung der Ergebnisse in Power BI – inklusive interaktiver Dashboards und Python-Visuals
- Integration der Lösung in bestehende Power Platform-Anwendungen (z. B. Dataverse, Power Automate)Evaluation anhand realer oder methodischer Use Cases (z. B. Investitionsberatung, Risikoanalyse).
Spannende Forschungsfragen:
- Wie lässt sich die Power Platform zur strukturierten und sicheren Datenerfassung nutzen?
- Welche stochastischen Verfahren eignen sich zur Absicherung von Beratungsmodellen?
- Wie kann Python effizient in die Power Platform integriert werden?
- Welche Vorteile bietet die Kombination aus Low-Code und High-Code für die statistische Sicherheit?
Technologischer Rahmen:
- Datenverarbeitung mit Dataverse, SQL und Power Automate
- Python-Backend für Monte-Carlo-Simulationen, Sensitivitätsanalysen und Konvergenztests
- Ergebnisdarstellung und Visualisierung in Power BI inkl. Python-Visuals und Dashboards