Data Science
Grundlagen, Architekturen und Anwendungen
Uwe Haneke, Stephan Trahasch, Michael Zimmer und Carsten Felden
Diese Publikation zitieren
Uwe Haneke, Stephan Trahasch, Michael Zimmer, Carsten Felden, Data Science (2021), dpunkt.verlag, Heidelberg, ISBN: 9783969101520
9370
Accesses
Accesses
143
Quotes
Quotes
Beschreibung / Abstract
Know-how für Data Scientists
- übersichtliche und anwendungsbezogene Einführung
- zahlreiche Anwendungsfälle und Praxisbeispiele aus unterschiedlichen Branchen
- Potenziale, aber auch mögliche Fallstricke werden aufgezeigt
Data Science steht derzeit wie kein anderer Begriff für die Auswertung großer Datenmengen mit analytischen Konzepten des Machine Learning oder der künstlichen Intelligenz. Nach der bewussten Wahrnehmung der Big Data und dabei insbesondere der Verfügbarmachung in Unternehmen sind Technologien und Methoden zur Auswertung dort gefordert, wo klassische Business Intelligence an ihre Grenzen stößt.
Dieses Buch bietet eine umfassende Einführung in Data Science und deren praktische Relevanz für Unternehmen. Dabei wird auch die Integration von Data Science in ein bereits bestehendes Business-Intelligence-Ökosystem thematisiert. In verschiedenen Beiträgen werden sowohl Aufgabenfelder und Methoden als auch Rollen- und Organisationsmodelle erläutert, die im Zusammenspiel mit Konzepten und Architekturen auf Data Science wirken.
Diese 2., überarbeitete Auflage wurde um neue Themen wie Feature Selection und Deep Reinforcement Learning sowie eine neue Fallstudie erweitert.
Beschreibung
Prof. Dr. Uwe Haneke ist seit 2003 Professor für Betriebswirtschaftslehre und betriebliche Informationssysteme an der Hochschule Karlsruhe – Technik und Wirtschaft. Dort vertritt er u.a. die Bereiche Business Intelligence, Geschäftsprozessmanagement im Fachgebiet Informatik. Seine Publikationen beschäftigen sich mit den Themen Open Source Business Intelligence, Self-Service-BI und Analytics.
Prof. Dr. Stephan Trahasch ist Professor für betriebliche Kommunikationssysteme und IT-Sicherheit an der Hochschule Offenburg. Seine Forschungsschwerpunkte liegen in den Bereichen Data Mining, Big Data und Agile Business Intelligence. In Forschungsprojekten beschäftigt er sich mit der praktischen Anwendung von Data Mining und Big-Data-Technologien und deren Herausforderungen in Unternehmen. Er ist Leiter des Institute for Machine Learning and Analytics und Mitglied der Forschungsgruppe Analytics und Data Science an der Hochschule OffenburIst Professor für betriebliche Kommunikationssysteme und IT-Sicherheit an der Hochschule Offenburg. Seine Forschungsschwerpunkte liegen in den Bereichen Data Mining, Big Data und Agile Business Intelligence. In Forschungsprojekten beschäftigt er sich mit der praktischen Anwendung von Data Mining und Big-Data-Technologien und deren Herausforderungen in Unternehmen. Er ist Leiter des Institute for Machine Learning and Analytics und Mitglied der Forschungsgruppe Analytics und Data Science an der Hochschule Offenburg.
Dr. Michael Zimmer verantwortet bei der Zurich Gruppe Deutschland das Thema künstliche Intelligenz. Hierbei beschäftigt er sich sparten- und ressortübergreifend mit der Identifikation, Entwicklung, Produktivsetzung und Industrialisierung von KI-Anwendungsfällen. Er hat über Data & Analytics Governance promoviert, ist Autor und Herausgeber diverser Publikationen und TDWI Fellow. Vor seiner Zeit bei der Zurich Deutschland war er fast 14 Jahre in der Beratung tätig und beschäftigte sich mit dem Aufbau komplexer Data-, Analytics- und KI-Architekturen sowie der Einführung und Konzeption zugehöriger Governance-Strukturen.
Prof. Dr. Carsten Felden ist Direktor des Instituts für Wirtschaftsinformatik an der TU Bergakademie Freiberg (Sachsen). Er hat dort die Professur für ABWL, insbes. Informationswirtschaft/Wirtschaftsinformatik inne und vertritt in der Lehre die Themen der Wirtschaftsinformatik mit dem Fokus auf Business Analytics (BA). Zentrale Forschungsthemen sind neben Business Analytics Data Warehousing, eXtensible Business Reporting Language (XBRL) und IT-Reifegradmodelle sowie Digitalisierung im Kontext der Business Intelligence. Er ist Vorstandsvorsitzender des TDWI e.V. und war Vorstandsmitglied des XBRL Deutschland e.V. Er veröffentlichte zahlreiche Artikel sowohl auf internationalen Konferenzen als auch in wissenschaftlichen und praxisorientierten Zeitschriften. Im Weiteren ist er häufig Program Chair bei internationalen Konferenzen wie WI, ECIS oder A MCIS. In Kooperation mit anderen Autoren verfasst er regelmäßig Bücher zu Themen der analytischen Ansätze im betrieblichen Umfeld.
Prof. Dr. Stephan Trahasch ist Professor für betriebliche Kommunikationssysteme und IT-Sicherheit an der Hochschule Offenburg. Seine Forschungsschwerpunkte liegen in den Bereichen Data Mining, Big Data und Agile Business Intelligence. In Forschungsprojekten beschäftigt er sich mit der praktischen Anwendung von Data Mining und Big-Data-Technologien und deren Herausforderungen in Unternehmen. Er ist Leiter des Institute for Machine Learning and Analytics und Mitglied der Forschungsgruppe Analytics und Data Science an der Hochschule OffenburIst Professor für betriebliche Kommunikationssysteme und IT-Sicherheit an der Hochschule Offenburg. Seine Forschungsschwerpunkte liegen in den Bereichen Data Mining, Big Data und Agile Business Intelligence. In Forschungsprojekten beschäftigt er sich mit der praktischen Anwendung von Data Mining und Big-Data-Technologien und deren Herausforderungen in Unternehmen. Er ist Leiter des Institute for Machine Learning and Analytics und Mitglied der Forschungsgruppe Analytics und Data Science an der Hochschule Offenburg.
Dr. Michael Zimmer verantwortet bei der Zurich Gruppe Deutschland das Thema künstliche Intelligenz. Hierbei beschäftigt er sich sparten- und ressortübergreifend mit der Identifikation, Entwicklung, Produktivsetzung und Industrialisierung von KI-Anwendungsfällen. Er hat über Data & Analytics Governance promoviert, ist Autor und Herausgeber diverser Publikationen und TDWI Fellow. Vor seiner Zeit bei der Zurich Deutschland war er fast 14 Jahre in der Beratung tätig und beschäftigte sich mit dem Aufbau komplexer Data-, Analytics- und KI-Architekturen sowie der Einführung und Konzeption zugehöriger Governance-Strukturen.
Prof. Dr. Carsten Felden ist Direktor des Instituts für Wirtschaftsinformatik an der TU Bergakademie Freiberg (Sachsen). Er hat dort die Professur für ABWL, insbes. Informationswirtschaft/Wirtschaftsinformatik inne und vertritt in der Lehre die Themen der Wirtschaftsinformatik mit dem Fokus auf Business Analytics (BA). Zentrale Forschungsthemen sind neben Business Analytics Data Warehousing, eXtensible Business Reporting Language (XBRL) und IT-Reifegradmodelle sowie Digitalisierung im Kontext der Business Intelligence. Er ist Vorstandsvorsitzender des TDWI e.V. und war Vorstandsmitglied des XBRL Deutschland e.V. Er veröffentlichte zahlreiche Artikel sowohl auf internationalen Konferenzen als auch in wissenschaftlichen und praxisorientierten Zeitschriften. Im Weiteren ist er häufig Program Chair bei internationalen Konferenzen wie WI, ECIS oder A MCIS. In Kooperation mit anderen Autoren verfasst er regelmäßig Bücher zu Themen der analytischen Ansätze im betrieblichen Umfeld.
Inhaltsverzeichnis
- BEGINN
- Vorwort zur 2. Auflage
- Vorwort
- Inhaltsübersicht
- Inhaltsverzeichnis
- 1 Einleitung
- 1.1 Von Business Intelligence zu Data Science
- 1.2 Data Science und angrenzende Gebiete
- 1.3 Vorgehen in Data-Science-Projekten
- 1.4 Struktur des Buches
- 2 (Advanced) Analytics is the new BI?
- 2.1 Geschichte wiederholt sich?
- 2.2 Die DIKW-Pyramide erklimmen
- 2.3 Vom Nebeneinander zum Miteinander
- 2.4 Fazit
- 3 Data Science und künstliche Intelligenz der Schlüssel zum Erfolg?
- 3.1 Zwischen Euphorie und Pragmatismus
- 3.2 Wann ist Data Science und KI das Mittel der Wahl?
- 3.3 Realistische Erwartungen und klare Herausforderungen
- 3.4 Aus der Praxis
- 3.5 Fazit
- 4 Konzeption und Entwicklung von Data-driven Products/Datenprodukten
- 4.1 Einleitung
- 4.2 Datenprodukte
- 4.3 Digitale Produktentwicklung
- 4.4 Datenprodukte definieren
- 4.5 Kritischer Erfolgsfaktor Feedbackschleife
- 4.6 Organisatorische Anforderungen
- 4.7 Technische Anforderungen
- 4.8 Fazit
- 5 Grundlegende Methoden der Data Science
- 5.1 Einleitung
- 5.2 Data Understanding und Data Preparation
- 5.3 Überwachte Lernverfahren
- 5.4 Unüberwachte Lernverfahren und Clustering
- 5.5 Reinforcement Learning
- 5.6 Evaluation
- 5.7 Weitere Ansätze
- 5.8 Fazit
- 6 Feature Selection
- 6.1 Weniger ist mehr
- 6.2 Einführung in die Feature Selection
- 6.3 Ansätze der Feature Selection
- 6.4 Feature Selection in der Praxis
- 6.5 Fazit
- 7 Deep Learning
- Was ist Deep Learning?
- Warum ist Deep Learning gerade jetzt so aktuell?
- 7.1 Grundlagen neuronaler Netzwerke
- 7.2 Deep Convolutional Neural Networks
- 7.3 Deep Reinforcement Learning
- 7.4 Anwendung von Deep Learning
- 7.5 Fazit
- 8 Von einer BI-Landschaft zum Data & Analytics-Ökosystem
- 8.1 Einleitung
- 8.2 Komponenten analytischer Ökosysteme
- 8.3 Vom Reporting zur industrialisierten Data Science
- 8.4 Data Science und Agilität
- 8.5 Entwicklungs-, Test- und Produktionsumgebungen für Data Science
- 8.6 Vom Spielplatz für Innovation zur Serienfertigung
- 8.7 Anwendungsbeispiel
- 8.8 Fazit
- 9 Self-Service und Governance im Data-Science-Umfeld: der emanzipierte Anwender
- 9.1 Einleitung
- 9.2 Self-Service-Angebote für Data & Analytics
- 9.3 Data Governance und Self-Service
- 9.4 Self-Service-Datenaufbereitung und Data Science
- 9.5 Self-Service-Datenaufbereitung vs. ETL
- 9.6 Bimodale Data & Analytics: Segen oder Fluch?
- 9.7 Entwicklungen im Self-Service-Bereich
- 9.8 Fazit
- 10 Data Privacy
- 10.1 Die Rolle von Data Privacy für Analytics und Big Data
- 10.2 Rechtliche und technische Ausgestaltung von Data Privacy
- 10.3 Data Privacy im Kontext des Analytics Lifecycle
- 10.4 Diskussion und Fazit
- 11 Gespräch zur digitalen Ethik
- Fallstudien
- 12 Customer Churn mit Keras/TensorFlow und H2O
- 12.1 Was ist Customer Churn?
- 12.2 Fallstudie
- 12.3 Bewertung der Customer-Churn-Modelle
- 12.4 Zusammenfassung und Fazit
- 13 Wirtschaftlichkeitsbetrachtung bei der Auswahl & Entwicklung von Data Science
- Eine Fallstudie im Online-Lebensmitteleinzelhandel
- 13.1 Herausforderungen in der Praxis
- 13.2 Fallstudie: Kaufempfehlungssysteme im Online-Lebensmitteleinzelhandel
- 13.3 Fazit
- 14 Analytics im Onlinehandel
- 14.1 Einleitung
- 14.2 Maschinelles Lernen: von der Uni zu Unternehmen
- 14.3 Wie arbeiten Data Scientists und Programmierer zusammen?
- 14.4 Architekturmuster, um maschinelle Lernmethoden produktiv zu nehmen
- 14.5 Was kann man sonst auf Firmenebene tun, um Data Science zu unterstützen?
- 14.6 Fazit
- 15 Predictive Maintenance
- 15.1 Einleitung
- 15.2 Was ist Instandhaltung?
- 15.3 Instandhaltungsstrategien
- 15.4 Prozessphasen der vorausschauenden Instandhaltung
- 15.5 Fallbeispiele
- 15.6 Fazit
- 16 Scrum in Data-Science-Projekten
- 16.1 Einleitung
- 16.2 Kurzüberblick Scrum
- 16.3 Data-Science-Projekte in der Praxis
- 16.4 Der Einsatz von Scrum in Data-Science-Projekten
- 16.5 Empfehlungen
- 16.6 Fazit
- 17 Der Analytics-Beitrag zu einer Added-Value-Strategie
- am Beispiel eines Kundenkartenunternehmens
- 17.1 Geschäftsmodell eines Multipartnerprogramms
- 17.2 Kundenbindung und Kundenbindungsinstrumente
- 17.3 Funktionen und Services eines Multipartnerprogrammbetreibers
- 17.4 Konkrete Herausforderungen des betrachteten Multipartnerprogrammbetreibers
- 17.5 Added-Value-Strategie
- 17.6 Pilotierung ausgewählter Analytics-Ansätze
- 17.7 Fazit
- 18 Künstliche Intelligenz bei der Zurich Versicherung Anwendungen und Beispiele
- 18.1 Herausforderungen innerhalb der Versicherungsbranche
- 18.2 KI bei der Zurich Versicherung
- 18.3 Anwendungsfälle
- 18.4 Fazit
- Anhang
- A Autoren
- B Abkürzungen
- C Literaturverzeichnis
- Index