Das Unternehmensplanspiel Markstrat (B2B) ist eine Simulation, die Studierende in die Rolle der Leitung der Marketingabteilung eines großen Unternehmens versetzt. Die Studierenden stehen mit mehreren Unternehmen um die erfolgreiche Vermarktung zweier Produkte im Wettbewerb. Hierzu entwickeln und implementieren die Studenten in einer Gruppe mit Kommilitonen eine langfristige Marketingstrategie für Ihren Geschäftsbereich.
In der 10 Spielrunden dauernden Simulation treffen die Studenten in den Teams wöchentlich Entscheidungen in den Bereichen Produktentwicklung, Werbung, Vertrieb, Preis, Produktion und Personal. Zur Fundierung der Entscheidungen des Tems steht eine Vielzahl an Informationsquellen wie z.B. Kundenbefragungen, Experimente, Markstudien und Benchmarkings zur Verfügung, die in jeder Spielrunde analysiert werden müssen.
Die Simulation wird von einer umfassenden Einführungsveranstaltung, einem begleitenden Coaching und einer Zwischen- sowie einer Abschlusspräsentation begleitet. Als Leistungsnachweis fertigen Sie zudem eine schriftliche Arbeit an.
Der erste Termin findet am 11.04. (11:30 Uhr in M-1582) statt: Nur wenn Sie anwesend sind, behalten Sie Ihren Platz in der Veranstaltung. Falls Sie auf der Warteliste stehen und beim ersten Termin anwesend sind, könnten Sie also ggf. doch noch nachrücken.
Hund, P. (2021). Modellierung eines elektrischen Netzes zur Demonstration des Einflusses von virtueller Trägheit durch umrichterbasierte Energieanlagen.
Hund, P. (2021). Koordinierte Bereitstellung von virtueller Trägheit durch erneuerbare umrichterbasierte Energieanlagen in Verteilnetzen mithilfe von künstlicher Intelligenz.
Möller, P. (2021). Erfassung der Knotenspannung in Niederspannungsnetzen auf Basis von dezentralen Messeinrichtungen mithilfe von Machine learning.
Plant, R. (2021). Estimation of Power System Inertia in an Inverter-Dominated Distribution Grid Using Machine Learning.
2020
Dressel, M. (2020). Modellierung der Zustandsschätzung eines elektrischen Netzes mit Hilfe von Graph neuronalen Netzen.
Schmidt, M. (2020). Vorhersage von zuverlässig bereitstellbarer Regelleistung aus Erneuerbaren Energien mithilfe von neuronalen Netzen.