Wirtschaft (MSB)
Refine
Year
Publication Type
- Article (500)
- Lecture (405)
- Part of a Book (375)
- Book (330)
- Conference Proceeding (111)
- Report (84)
- Contribution to a Periodical (70)
- Working Paper (2)
- Bachelor Thesis (1)
- Course Material (1)
- Preprint (1)
- Review (1)
Language
- German (978)
- English (738)
- Multiple languages (158)
- Spanish (5)
- French (2)
Keywords
- Unternehmensberichterstattung (6)
- Process-Driven Application (5)
- BPMN (4)
- Blockchain (4)
- Datenschutzrecht (4)
- KMU (4)
- Unternehmensbewertung (4)
- Big Data (3)
- European (3)
- Inflation (3)
Die Ernsting’s family Fashion-Retail-Studie analysiert das Kaufverhalten von Verbraucher*innen in Deutschland in der Modebranche. Neben der Darstellung des Status quo werden über mehrere Erhebungszeitpunkte Veränderungen in den Kauf- und Konsumgewohnheiten erfasst. Zusätzlich wird ein aktuelles Thema in einer Deep-Dive-Studie vertieft.
Angesichts der gegenwärtigen ökologischen Herausforderungen und der technologischen Innovationen in der Modeindustrie konzentriert sich die dritte Ausgabe auf die Analyse des nachhaltigen Kauf- und Konsumverhaltens von Verbraucher*innen in Deutschland. Daran anknüpfend befasst sich die Deep-Dive-Studie mit der Frage, wie sich unterschiedlich hohe Rücksendegebühren auf das Bestellverhalten von Online-Käufer*innen im Modehandel auswirken und welche Rolle das Umweltbewusstsein der Verbraucher*innen dabei spielt.
Background
Artificial intelligence (AI) has the capability to analyze vast amounts of data and has been applied in various healthcare sectors. However, its effectiveness in aiding pharmacotherapy decision-making remains uncertain due to the intricate, patient-specific, and dynamic nature of this field.
Objective
This study sought to investigate the potential of AI in guiding pharmacotherapy decisions using clinical data such as diagnoses, laboratory results, and vital signs obtained from routine patient care.
Methods
Data of a previous study on medication therapy optimization was updated and adapted for the purpose of this study. Analysis was conducted using R software along with the tidymodels extension packages. The dataset was split into 74% for training and 26% for testing. Decision trees were selected as the primary model due to their simplicity, transparency, and interpretability. To prevent overfitting, bootstrapping techniques were employed, and hyperparameters were fine-tuned. Performance metrics such as areas under the curve and accuracies were computed.
Results
The study cohort comprised 101 elderly patients with multiple diagnoses and complex medication regimens. The AI model demonstrated prediction accuracies ranging from 38% to 100% for various cardiovascular drug classes. Laboratory data and vital signs could not be interpreted, as the effect and dependence were unclear for the model. The study revealed that the issue of AI lag time in responding to sudden changes could be addressed by manually adjusting decision trees, a task not feasible with neural networks.
Conclusion
In conclusion, the AI model exhibited promise in recommending appropriate medications for individual patients. While the study identified several obstacles during model development, most were successfully resolved. Future AI studies need to include the drug effect, not only the drug, if laboratory data is part of the decision. This could assist with interpreting their potential relationship. Human oversight and intervention remain essential for an AI-driven pharmacotherapy decision support system to ensure safe and effective patient care.
Zeitenwende für Sparer? Was die Rückkehr der Zinsen für die private Vermögensbildung bedeutet
(2024)
Während das Ertragswertverfahren nach IDW S1 mit Hilfe des Capital Asset Pricing Models (CAPM) die Kapitalkosten aus den Verhältnissen am Kapitalmarkt zum Bewertungsstichtag ableitet, arbeitet das vereinfachte Ertragswertverfahren nach §§ 199 ff. BewG für Stichtage seit dem Jahr 2016 mit einem festen Multiplikator. Veränderliche Kapitalmarktzinsen auf der einen und ein feststehender Multiplikator auf der anderen Seite führen stichtagsabhängig zu Unterschieden im Bewertungsergebnis. Angesichts der aktuellen Rechtsprechung des BFH, der gestiegenen Kapitalmarktzinsen und veränderlicher Risikofaktoren sollen für die Jahre ab 2016 für den Marktdurchschnitt und für ausgewählte Branchen die so ermittelten Kapitalkosten mit dem Multiplikator nach § 203 BewG verglichen werden. Der Beitrag schließt mit einem kurzen Fazit zur Verfahrenswahl.