Open Access

Die 11. Jahrestagung des Förderkreises Rückversicherung zum Thema Rückversicherung fand am 13. Juli 2018 in Niederkassel bei Köln statt. Etwa 85 eingeladene Repräsentanten aus dem Förderkreis unterstützenden (Rück-)Versicherungsunternehmen und Gäste nahmen daran teil. Im Rahmen der Jahrestagung wurde zum vierten Mal der Researchers‘ Corner durchgeführt, in dessen Verlauf acht der in der Kölner Forschungsstelle Rückversicherung beschäftigten Wissenschaftlichen Mitarbeiter einen Vortrag zu dem jeweilig individuell bearbeiteten Forschungsprojekt hielten. Des Weiteren wurden von Prof. Materne Interviews mit den Herren Dr. Falk Niehörster (Climate Risk Innovations) und Dr. Magnus Kobel (YAS.life) geführt. Dr. Niehörster berichtete über seine Forschungen und Beratungstätigkeit hinsichtlich der maritimen Klimaveränderung und Dr. Kobel über das Geschäftsmodell seines InsurTecs YAS.life und seine allgemeinen Erfahrungen bei Gründung und Entwicklungen von Start-ups. In drei Sessions – mit je 2-3 jeweils drei parallel laufenden Vorträgen mit Poster – wurden die wichtigsten Ergebnisse der wissenschaftlichen Untersuchungen der Kölner Forschungsstelle Rückversicherung präsentiert und diskutiert. Die Heterogenität in den vorgetragenen Themen der wissenschaftlichen Mitarbeiter spiegelt die Verzahnung der Forschungstheorie mit der Praxistätigkeit wider.

This project is focused on the generation of hardware independent code for PLCs and the comparison for energy consumption patterns of hydraulic and electric drive unit. This works is dedicated to MLC (mould level control) in a continuous casting machine, which is used to cast steel slabs continuously. The code generation is done with the help of the PLC coder which is present in the software Simulink. The programming is done entirely in MATLAB. The application of the generated code is tested on the Siemens S7-1500 PLC. For executing the code and the development of the HMI (human machine interface) Siemens software TIA Portal V15 has been used. Moreover, for further analysis of signals and testing the code, a PDA or process data acquisition system, IBA system is used. For energy analysis also the IBA system is used.

This paper summarizes the findings on marketing automation and suitable tools, especially for companies in the Start-Up and early development phases. It is based on Nadine Männel's bachelor thesis, which was supervised by Prof. Dr. Monika Engelen from October to December 2018. In addition to researching the basic theory of Start-Ups and Marketing Automation, 12 tools were analysed for their usability in Start-Ups. The core content of this paper is both to create an understanding of marketing automa-tion and to derive concrete recommendations for applicable tools for marketing automation. 

Entrepreneurship im Kontext der Hochschulausbildung gewinnt immer mehr an Bedeutung und muss nachdrücklich im Hochschulalltag adressiert werden, um eine zukunftsfähige, unternehmerische Hochschule Gestalt annehmen zu lassen. Die Einbindung aller Stakeholder in einen Prozess der Bildung von gemeinsamen, transparenten Netzwerken, Fokussierung von Interdisziplinarität und Vermittlung von unternehmerischer Handlungskompetenz sind Eckpfeiler, um die Vision einer unternehmerisch denkenden und handelnden Hochschule Wirklichkeit werden zu lassen. Aufbauend auf der empirischen Erhebung zu Entrepreneurship & Start-up-Kultur an der TH Köln, erfolgte im Wintersemester 2017/18 eine weiterführende Erhebung hinsichtlich der bereits selbstständig tätigen Studierenden der TH Köln. Ziel der Umfrage ist die Untersuchung der Gründungsarten der Studierenden sowie die Erhebung von Informationen zu Finanzierungsarten, Hürden, Gründungsklima und gezielte Unterstützungsmöglichkeiten durch die TH Köln, um die Start-up-Kultur an der TH Köln weiter zu stärken.

Die Analyse von Log-Dateien als Spezialfall des Text Mining dient in der Regel dazu Laufzeitfehler oder Angriffe auf ein Systems nachzuvollziehen. Gegen erkannte Fehlerzustände können Maßnahmen ergriffen werden, um diese zu vermeiden. Muster in semi-strukturierten Log-Dateien aus dynamischen Umgebungen zu erkennen ist komplex und erfordert einen mehrstufigen Prozess. Zur Analyse werden die Log-Dateien in einen strukturierten Event-Log (event log) überführt. Diese Arbeit bietet dem Anwender ein Werkzeug, um häufige (frequent) oder seltene (rare) Ereignisse (events), sowie temporale Muster (temporal patterns) in den Daten zu erkennen. Dazu werden verschiedene Techniken des Data-Minig miteinander verbunden. Zentrales Element ist dieser Arbeit das Clustering. Es wird untersucht, ob durch Neuronale Netze mittels unüberwachtem Lernen (Autoencoder) geeignete Repräsentationen (embeddings) von Ereignissen erstellt werden können, um syntaktisch und semantisch ähnliche Instanzen zusammenzufassen. Dies dient zur Klassifikation von Ereignissen, Erkennung von Ausreißern (outlier detection), sowie zur Inferenz einer nachvollziehbaren visuellen Repräsentation (Regular Expressions; Pattern Expressions). Um verborgene Muster in den Daten zu finden werden diese mittels sequenzieller Mustererkennung (Sequential Pattern Mining) und dem auffinden von Episoden (Episode Mining) in einem zweiten Analyseschritt untersucht. Durch das Pattern Mining können alle enthaltenen Muster im einem Event-Log gefunden werden. Der enorme Suchraum erfordert effiziente Algorithmen, um in angemessener Zeit Ergebnisse zu erzielen. Das Clustering dient daher ebenfalls zur Reduktion (pruning) des Suchraums für das Pattern Mining. Um die Menge der Ergebnisse einzuschränken werden verschiedene Strategien auf ihre praktische Tauglichkeit hin untersucht, um neue Erkenntnisse zu erlangen. Zum einen die Mustererkennung mittels verschiedener Kriterien (Constrained Pattern Mining) und zum anderen durch die Nützlichkeit (High Utility Pattern Mining) von Mustern. Interessante temporale Muster können auf anderen Log-Dateien angewendet werden, um diese auf das Vorkommen dieser Muster zu untersuchen.