# Consulting-*Cases*

Projekte, die als Case laufen: sich in eine echte Ausgangslage einarbeiten, eine Empfehlung bauen und sie vor Lehrenden und Unternehmensvertretern pitchen. Eine Auswahl davon steht hier, weitere folgen.

> Projektseite: https://clemenshoeller.at/projekte/consulting-cases
> Gattung: business/cases

## Eckdaten

- **Format** · Cases mit Pitch
- **Ort** · WU Wien
- **Zeitraum** · 2023 — 2026
- **Umfang** · aus dem ganzen Studium
- **Stand** · wird erweitert

## /01 Wie diese Kurse laufen

Ein großer Teil meines Studiums lief nicht als Vorlesung, sondern als Case: Man bekommt eine echte Ausgangslage, arbeitet sich hinein, entwickelt eine Empfehlung und pitcht sie am Ende vor Lehrenden und teilweise vor Vertreterinnen und Vertretern des Unternehmens. Die meisten liefen im Team, einige allein.

Das Format ist anstrengender als eine Prüfung und lehrreicher, weil drei Dinge gleichzeitig funktionieren müssen: die **Analyse** muss stimmen, die **Empfehlung** muss umsetzbar sein, und beides muss in zwölf bis fünfzehn Minuten so ankommen, dass ein Publikum ohne Vorwissen folgen kann. Fällt eines davon aus, hilft der Rest nicht.

Die folgenden Cases unterscheiden sich bewusst stark, weil sie unterschiedliche Muskeln trainieren: Organisationsanalyse, technisches Lösungsdesign, wissenschaftliche Lektüre, Produktentwicklung, Ethik im Systemdesign, semantische Modellierung, Projektkalkulation, Marketingplanung, Unternehmensbewertung und Interaktionsdesign.

## /02 Die Cases

*Transformative Management · Gruppenprojekt*

### Erste Hub: von der Innovationsinsel zur Transformationsmaschine

**Ausgangslage** — Die Erste Group hat mit dem Erste Hub eine Innovationseinheit aufgebaut, die bewusst außerhalb der üblichen Abläufe stand. Genau diese Trennung machte sie erfolgreich, unter anderem beim Aufbau der Plattform George. Mit dem Umzug auf den gemeinsamen Campus und nach der Pandemie kehren feste Routinen und Freigabewege zurück, und hybride Arbeit schwächt die informelle Kultur, die den Hub ausgemacht hat.

**Kernspannung** — Dieselbe Trennung, die den Hub stark gemacht hat, begrenzt jetzt seine Wirkung auf die restliche Bank. Wachsen, ohne dabei aufgesogen zu werden, ist das Problem.

**Vorgehen** — Analyse entlang der Hub-Geschichte, dann externer Vergleich mit Organisationen, die dasselbe Problem hatten: DBS Bank als Innovationskultur in einer etablierten Bank, die ÖBB Open Innovation Factory als Innovationsraum an der Organisationsgrenze, dazu die Forschung zu Innovation Labs als organisationalen Katalysatoren.

**Empfehlung** — Vier Stoßrichtungen: den Hub als Treiber für die Organisation positionieren statt als geschützte Ausnahme, flexiblen Innovationsraum innerhalb des Campus aktiv schützen, einen hybriden Innovationsrhythmus entwerfen und die Routinen des Hubs in Lernangebote für die gesamte Bank übersetzen.

**Gelernt** — Dass Kultur kein Nebeneffekt von Struktur ist, sondern von ihr abhängt. Der Hub war nicht innovativ, weil dort andere Menschen saßen, sondern weil andere Regeln galten. Wer die Regeln zurückdreht, verliert die Kultur mit, egal wie sehr man sie beschwört.

**Skills daraus:** Organisationsanalyse · Benchmarking · Change Management · Stakeholder-Kommunikation · Handlungsempfehlungen · Präsentieren auf Englisch

*Digital Markets and Strategies · Gruppenprojekt*

### The Good, the Bad, and the Unhirable

**Thema** — Empfehlungssysteme für Bewerbende auf Online-Arbeitsmärkten. Der Kern des Problems ist Informationsasymmetrie: Wer einstellt, sieht Profile, aber nicht Leistung.

**Warum es weh tut** — Die Bewerberpools sind riesig, die Suchkosten entsprechend hoch, und **60 %** der ausgeschriebenen Stellen führen am Ende zu keinem Vertrag. Ein Empfehlungssystem wäre hier also kein Komfort, sondern der Unterschied zwischen einem funktionierenden und einem leerlaufenden Markt.

**Analyse** — Wir haben herausgearbeitet, warum klassische Empfehlungslogik hier nicht greift, entlang von drei Lücken: Es gibt pro Bewerbung nur **eine** Bewertung und keine geteilten Ratings, womit Collaborative Filtering zusammenbricht. Ein Modell muss **drei** Ausgänge unterscheiden statt zwei, nämlich eingestellt und erfolgreich, eingestellt und erfolglos, sowie gar nicht eingestellt. Und Bewerbungen sind eine **Sequenz**, keine unabhängigen Einzelfälle.

**Übung dahinter** — Eine wissenschaftliche Arbeit so lesen, dass man ihre Konstruktion versteht und nicht nur ihr Ergebnis, und sie danach in fünfzehn Minuten für ein Publikum aufbereiten, das sie nicht gelesen hat.

**Gelernt** — Eine Methode nicht nur nachzuerzählen, sondern zu prüfen, wo ihre Annahmen brechen. Die drei Lücken standen nicht als Liste im Paper, sie ergaben sich erst beim Durchdenken der Datenlage.

**Skills daraus:** Literature Reviews · Wissenschaftliches Arbeiten · Recommender-Systeme · Analytisches Denken · Präsentieren auf Englisch

*Marketing and Innovation · Gruppenprojekt*

### StudyGo: Lernen, das zur Fahrtstrecke passt

**Zielgruppe** — Studierende und Schüler:innen zwischen 15 und 30 in europäischen Städten, die täglich pendeln. Der Ausgangspunkt war eine Persona samt Customer Journey statt einer Produktidee.

**Kernbeobachtung** — Lernen während des Pendelns scheitert selten an der Motivation, sondern an der Struktur: Die Fahrt ist zerstückelt, unruhig und schlecht planbar, klassisches Lernmaterial ist es nicht.

**Lösung** — Eine App, die die eigene Strecke in Abschnitte zerlegt, in denen sich lernen lässt, Inhalte automatisch an Zeit, Bewegung und Situation anpasst und dabei auf den eigenen Kursunterlagen aufsetzt statt auf Fremdinhalten.

**Was dazugehörte** — Nicht nur das Konzept, sondern der Weg dorthin: Customer Journey, Wachstumspfad von der Nutzung durch Lernende hin zur Integration in Uni-Plattformen, und eine Aufwandsschätzung mit Rollen, Stunden und Kosten für einen realistischen ersten Build.

**Gelernt** — Dass eine Produktidee erst trägt, wenn sie ein strukturelles Problem löst und kein Motivationsproblem behauptet. Der Satz „Lernen im Pendeln scheitert an der Struktur, nicht am Willen“ war der Wendepunkt der ganzen Präsentation.

**Skills daraus:** Persona & Customer Journey · Produktkonzeption · Requirements & Konzeption · Aufwandsschätzung · Teamarbeit · Präsentieren auf Englisch

*Value-Based System Engineering · Gruppenprojekt*

### Wenn eine KI Seelsorge spielt

**Aufgabe** — Eine Wettbewerbsanalyse eines KI-Dienstes, der geistlichen Zuspruch anbietet: ein System, mit dem Menschen über Schuld, Krankheit und sehr persönliche Themen sprechen. Analysiert nach der Methodik des Value-Based Engineering.

**Vorgehen** — Drei Wertträger bestimmen (schriftbasierte Antworten, seelsorgliches Gespräch, Personalisierung samt Erinnerung), daraus Wertqualitäten und Kernwerte ableiten und einen davon bis auf ethische und konkrete Systemanforderungen herunterbrechen. Getestet wurde unter anderem, wie das System auf eine beichtartige Offenlegung reagiert.

**Die Priorisierung** — Drei Kernwerte kamen dabei heraus: Wissen, Würde und Privatheit. Priorisiert wurde die **Würde**, gegen Wahrheit und Freiheit entlang fester Kriterien: Selbstzweck oder Mittel, moralisches Gewicht, Schaden bei Verletzung, Verhandelbarkeit. Danach in acht Qualitäten aufgefaltet, von Anerkennung als Person bis zum Schutz vor geistlichem Zwang, und jede Anforderung mit der Bedrohung gepaart, gegen die sie schützt.

**Warum es hängen bleibt** — Weil die Methode zwingt, **Würde** als Anforderung zu formulieren statt als Haltung. „Das System soll respektvoll sein“ ist keine Anforderung; „das System muss Zitat, Auslegung und Ratschlag sichtbar trennen“ ist eine. Genau diese Übersetzung ist die Arbeit.

**Gelernt** — Werte in prüfbare Anforderungen zu übersetzen. Seitdem misstraue ich jeder Anforderung, die man nicht testen kann: „soll vertrauenswürdig sein“ ist eine Absichtserklärung, keine Spezifikation.

**Skills daraus:** Value-Based Engineering · Ethik im Systemdesign · Anforderungsanalyse · KI-Bewertung · Analytisches Denken

*Semantic AI Technologies for KM · Gruppenprojekt*

### Eine Ontologie von Grund auf bauen

**Aufgabe** — Eine Ontologie für Fitness und Training entwerfen, nach dem klassischen Ablauf des Ontology Engineering. Nicht befüllen, sondern erst einmal richtig konstruieren.

**Erster Schritt** — Scope bestimmen, und zwar über die Frage, wer das Ding eigentlich benutzt: Einsteiger, die einen Überblick brauchen; fortgeschrittene Sportler, die ihre Leistung verbessern wollen; und Fitness-Einrichtungen, die die Vorlieben ihrer Mitglieder verstehen möchten.

**Kompetenzfragen** — Daraus sechs konkrete Fragen, die die Ontologie beantworten können muss, etwa: Wie viele Kalorien verbrennt eine bestimmte Trainingseinheit? Welche Übungen eignen sich für Einsteiger? Welche Ziele hat eine Person gesetzt und erreicht? Diese Fragen sind der Prüfstein für jede spätere Designentscheidung.

**Dann erst das Modell** — Bestehende Vokabulare prüfen statt alles neu zu erfinden, Begriffe sammeln, Klassen und Taxonomie festlegen, Objekt- und Datentyp-Eigenschaften definieren, Constraints setzen. Herausgekommen sind rund 20 Klassen von UserProfile und WorkoutRoutine über Sets, Repetitions und RestIntervals bis zu den Zielarten wie WeightLoss und EnduranceImprovement.

**Gelernt** — Dass die Kompetenzfragen der eigentliche Entwurf sind. Solange man nicht weiß, welche Fragen das Modell beantworten muss, ist jede Klasse eine Geschmacksfrage; danach ist sie eine Entscheidung mit Begründung. Was aus so einem Modell wird, sobald echte Daten hineinlaufen, steht unter Einen Wissensgraphen befüllen und belegen.

**Skills daraus:** Ontology Engineering · OWL / RDF · Kompetenzfragen · Taxonomie & Constraints · Datenbankdesign · Requirements & Konzeption

*Applications of Semantic AI in KM · Gruppenprojekt*

### Einen Wissensgraphen befüllen und belegen

**Aufgabe** — Eine bestehende Ontologie mit echten Instanzen befüllen und dabei nachvollziehbar halten, woher jede einzelne Aussage kommt. Entworfen wird hier nichts; geprüft wird die andere Hälfte des Handwerks, nämlich ob ein Modell die Wirklichkeit aufnehmen kann, ohne dass unklar wird, worauf es sich stützt. Der Entwurf zum selben Themenfeld lief in einem eigenen Kurs: Eine Ontologie von Grund auf bauen.

**Modell** — Vier verbundene Klassen mit je mindestens fünf Eigenschaften und expliziten Datentypen: **UserProfile**, **FitnessGoal**, **Routine** und **Exercise**, verknüpft über Objekteigenschaften wie hasGoal, includesExercise und isAssignedTo.

**Befüllung** — Instanzen auf zwei Wegen: aus tabellarischen Daten über deklarative Mappings und aus Fließtext. Dazu eine Provenienz-Datei, die festhält, welche Aussage woher stammt. Ausgeliefert wurde alles als Turtle.

**Warum das zählt** — Weil es dieselbe Technik ist, auf der die Datenschicht von [AURORA](/projekte/aurora) aufbaut. Ein Knowledge Graph ist erst dann etwas wert, wenn nachvollziehbar bleibt, woher jede Kante kommt.

**Gelernt** — Dass ein Wissensgraph an der Herkunft seiner Aussagen hängt. Instanzen sind schnell erzeugt; die Frage, welche Zeile welcher Quelle eine Kante erzeugt hat, entscheidet, ob man dem Graphen später noch trauen kann.

**Skills daraus:** Semantische Modellierung · Deklarative Mappings · Provenienz · Turtle / RDF · Datenbankdesign · Analytisches Denken

*Projektmanagement · Gruppenprojekt*

### Community Fitness Challenges: ein Projekt durchkalkulieren

**Idee** — Eine App, die über gemeinsame Fitness-Challenges ein Gemeinschafts- und Wettbewerbsgefühl erzeugt. Der Vorschlag richtet sich an Universitäten, Gesundheitsorganisationen und Fitnessmarken als Sponsoren.

**Der eigentliche Inhalt** — Nicht die Idee, sondern ihre Planung: Kontext- und SWOT-Analyse, ein Projektstrukturplan bis auf Arbeitspaket-Ebene und für jedes Paket eine Schätzung von Kosten und Dauer. Fünf Phasen von der Marktforschung über Backend und Frontend bis zu Leaderboard, Belohnungssystem, Qualitätssicherung und Launch.

**Das Ergebnis** — Ein Plan über **24 Monate** und **304.700 Euro**. Interessant ist daran nicht die Summe, sondern wie sie zustande kommt: 277.000 Euro aus den Arbeitspaketen, dazu zehn Prozent Reserve und zwei Monate Puffer, beides ausgewiesen statt in die Schätzungen eingerechnet. Ein Puffer, der versteckt ist, kann nicht besprochen werden.

**Risiken und Steuerung** — Je Risiko Wahrscheinlichkeit, Auswirkung und Gegenmaßnahme, von der Budgetüberschreitung bis zum Produkt, das floppt. Für die Steuerung eine **RACI-Matrix** über fünf Rollen und **Earned Value Analysis**: Kosten- und Zeitindex verglichen den Wert der fertigen Arbeit mit dem, was sie gekostet und gedauert hat.

**Gelernt** — Dass eine Zahl in einem Projektplan eine Behauptung ist, die man begründen muss. Die Übung ist nicht, günstig zu schätzen, sondern nachvollziehbar. Und dass ein Index unter 100 Prozent nichts erklärt, sondern eine Frage stellt.

**Skills daraus:** Projektstrukturplan · Aufwands- & Kostenschätzung · SWOT · Projektmanagement · Teamarbeit · KPI-Definition & Reporting

*Seminar aus Business Information Systems · Einzelprojekt*

### „Black Mirror“ als Seminar: Menschenwürde im Interface

**Rahmen** — Das Abschlussseminar der SBWL trägt inoffiziell den Namen der Netflix-Serie: Es prüft Zukunftsvisionen aus Science-Fiction gegen posthumanistische Perspektiven und Befunde der Kognitionswissenschaft. Die Prüfungsleistung ist bewusst kein Paper, sondern ein **künstlerisches Artefakt** eigener Wahl, von der Collage bis zum Film.

**Meine Wahl** — Statt eines Bildes eine begehbare Entscheidung: eine interaktive Customer-Journey-Website, die durch Szenarien führt, in denen ein KI-System über Menschen urteilt. An jeder Station entscheidet man selbst und sieht danach, was die eigene Wahl für die betroffene Person bedeutet.

**Warum dieses Format** — Ein Poster behauptet eine Haltung, ein Szenario erzeugt sie. Wer selbst angeklickt hat, dass Effizienz vor Empathie geht, redet danach anders über Menschenwürde als jemand, der eine Grafik darüber gesehen hat. Die Interaktion ist hier nicht Verpackung, sondern das Argument.

**Der Kern** — Würde und Empathie sind keine Eigenschaften eines Modells, sondern der Schnittstelle davor: was gefragt wird, was verschwiegen, welche Option fehlt. Ein technisch identisches System kann über sein Interface würdevoll oder demütigend sein.

**Gelernt** — Dass Ethik nicht am Ende dazukommt, sondern in der Interaktionsgestaltung sitzt, und dass Science-Fiction dafür ein brauchbares Werkzeug ist: Sie erlaubt, ein System zu Ende zu denken, bevor es existiert. Im Master ist mir genau das als Methodik wieder begegnet, bei Value-Based Engineering.

**Skills daraus:** Interaktionsdesign · Szenario-Entwicklung · Ethik im Systemdesign · HTML/CSS/JS · Wissenschaftliches Arbeiten · Präsentieren auf Englisch

*Finanzierung · Einzelprojekt*

### Coca-Cola: was die Aktie in zwölf Monaten wert ist

**Aufgabe** — Ein Analystenreport mit einem konkreten Zwölf-Monats-Kursziel. Also nicht beschreiben, wie es dem Unternehmen geht, sondern eine Zahl nennen und sie verteidigen.

**Herleitung** — Über die Dividenden: aus den Ausschüttungen der Vorjahre eine Wachstumsrate von **1,19 %**, aus der Quartalsdividende eine prognostizierte Jahresdividende von **1,80 Euro**. Der Diskontsatz kommt aus dem CAPM, mit einem Beta von 0,54 für eine Aktie, die deutlich ruhiger läuft als der Markt, und landet bei **6,48 %**. Daraus ein Kursziel von **34 Euro**.

**Dazu die Einordnung** — Kennzahlen des Geschäftsjahres, Kursverlauf über fünf Jahre, Marktstellung in über 200 Ländern und das Wettbewerbsumfeld. Das Kursziel steht nicht allein, sondern neben dem, was es plausibel oder unplausibel macht.

**Warum er hier steht** — Weil er die andere Hälfte des Werkzeugkastens zeigt. Die meisten Projekte auf dieser Seite arbeiten mit Systemen und Modellen; dieser arbeitet mit einem Bewertungsmodell und Annahmen, die man offenlegen muss, damit die Zahl überhaupt etwas bedeutet.

**Gelernt** — Dass jede Bewertung nur so gut ist wie ihre offengelegten Annahmen. Risikoloser Zins und Marktrisikoprämie waren gesetzt, die Wachstumsrate war die eine Zahl, an der alles hing; sie zu benennen war wichtiger, als das Ergebnis auf zwei Kommastellen zu rechnen.

**Skills daraus:** Unternehmensbewertung · Dividendenmodell · Finanzanalyse · Annahmen offenlegen · Excel · Datenanalyse & Statistik

## /03 Und die, die es nicht auf diese Seite geschafft haben

Auch diese sind eine Auswahl, keine Liste. Dazu kommen weitere Gruppenarbeiten und Einzelabgaben: Prozessmodellierungen, IT-Governance-Analysen, verteilte Systeme, IT-Recht und einiges an Kleinerem, das in Summe mehr über die Bandbreite sagt als jeder einzelne Titel.

Und es kommen laufend welche dazu, das Studium läuft bis 2027. Was davon hier landet, entscheidet sich danach, ob es etwas zu zeigen gibt, das über „war dabei“ hinausgeht.

Wer an einem bestimmten Case Interesse hat, kann mich gern [direkt fragen](/#kontakt). Vieles davon lässt sich zeigen, es ist nur nicht alles öffentlich abgelegt.

## /04 Was das trainiert

- **Struktur unter Zeitdruck.** Eine Woche vor dem Pitch weiß man immer noch zu viel und hat zu wenig Struktur. Die Arbeit besteht darin, den Stoff auf die drei Aussagen zu bringen, die tatsächlich tragen.
- **Auf Englisch präsentieren.** Nicht als Sprachübung, sondern als Verständlichkeitsübung: In einer Fremdsprache verzeiht ein Publikum keine verschachtelten Sätze.
- **Im Team liefern.** Vier bis fünf Leute, unterschiedliche Vorstellungen davon, was eine gute Folie ist, ein gemeinsames Ergebnis. Das ist der Teil, den man in keiner Prüfung lernt.
- **Empfehlungen, die jemand umsetzen könnte.** Der Unterschied zwischen einer Analyse und einer Beratung ist der letzte Schritt: Was genau soll dieses Unternehmen am Montag anders machen?

> **Zu den Abgaben** — Bei jedem Case steht oben, ob er im Team oder allein lief. Bei den Teamarbeiten bleiben die Namen der Kolleginnen und Kollegen draußen, und die vollständigen Abgaben sind nicht öffentlich, weil sie mir nicht allein gehören.

## /05 Verwandte Projekte

Die Projekte hängen stärker zusammen, als die Kacheln auf der Startseite vermuten lassen. Hier stehen alle anderen, sortiert nach Nähe zu diesem Projekt:

- [AURORA](https://clemenshoeller.at/projekte/aurora)
- [Zotter-Marketingplan](https://clemenshoeller.at/projekte/zotter-marketingplan)
- [AI Talent Gap](https://clemenshoeller.at/projekte/ai-talent-gap)
- [Healthcare Fraud Detection](https://clemenshoeller.at/projekte/fraud-detection)
- [Prompt Injection](https://clemenshoeller.at/projekte/prompt-injection)
- [LLMs & Kreativität](https://clemenshoeller.at/projekte/llms-kreativitaet)
- [KI-Automatisierungen](https://clemenshoeller.at/projekte/ki-automatisierungen)
- [Google vs. ChatGPT](https://clemenshoeller.at/projekte/google-vs-chatgpt)
- [Diese Website](https://clemenshoeller.at/projekte/diese-website)
- [VWA: Entstehung des Internets](https://clemenshoeller.at/projekte/vwa)

---
*Englische Fassung: https://clemenshoeller.at/en/projects/consulting-cases.md*
*Gruppen- und Einzelprojekte aus dem Studium an der WU Wien: Innovationskultur der Erste Group, ein KI-Warnsystem-Konsortium, Empfehlungssysteme, Produktkonzepte, Ontologien, Projektkalkulation, Marketingplanung, Unternehmensbewertung und ein interaktives Ethik-Szenario.*