Data Science

Grundlagen, Architekturen und Anwendungen

Uwe Haneke, Stephan Trahasch, Michael Zimmer y Carsten Felden

Cite this publication as

Uwe Haneke, Stephan Trahasch, Michael Zimmer, Carsten Felden, Data Science (2019), dpunkt.verlag, Heidelberg, ISBN: 9783960885849

2793
accesses
53
quotes

Descripción / Abstract


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. Neben den Grundlagen werden unter anderem folgende Themen behandelt:



  • Data Science und künstliche Intelligenz

  • Konzeption und Entwicklung von Data-driven Products

  • Deep Learning

  • Self-Service im Data-Science-Umfeld

  • Data Privacy und Fragen zur digitalen Ethik

  • Customer Churn mit Keras/TensorFlow und H2O

  • Wirtschaftlichkeitsbetrachtung bei der Auswahl und Entwicklung von Data Science

  • Predictive Maintenance

  • Scrum in Data-Science-Projekten


Zahlreiche Anwendungsfälle und Praxisbeispiele geben Einblicke in die aktuellen Erfahrungen bei Data-Science-Projekten und erlauben dem Leser einen direkten Transfer in die tägliche Arbeit.


Descripción


Prof. Dr. Uwe Haneke lehrt seit 2003 an der Fakultät für Informatik und Wirtschaftsinformatik (IWI) der Hochschule Karlsruhe – Technik und Wirtschaft. Zu seinen Hauptarbeitsgebieten gehören Betriebswirtschaftslehre, Business Intelligence, Geschäftsprozessmanagement und Projektmanagement. Daneben leitet er das von ihm gegründete osbi::lab an der Hochschule Karlsruhe, wo er sich vor allem mit Fragestellungen aus den Bereichen Business Analytics, Big Data und Visualisierung beschäftigt.


Prof. Dr. Stephan Trahasch ist seit 2012 an der Hochschule Offenburg Professor für betriebliche Kommunikationssysteme und IT-Sicherheit. Seine Schwerpunkte liegen in den Bereichen Data Mining, Big Data, Agile Business Intelligence. Seine Forschungsprojekte in der Forschungsgruppe Analytics und Data Science beschäftigen sich mit der praktischen Anwendung von Data Mining und Big Data Technologien in Unternehmen sowie der Weiterentwicklung von BI-Produkten um fortgeschrittene analytische Methoden.


Dr. Michael Zimmer ist Senior Manager in der Service Line Analytics und Information Management bei Deloitte. Er beschäftigt sich mit der Konzeption, Einführung und Weiterentwicklung komplexer Data&Analytics Architekturen. Seine Schwerpunktthemen sind Data & Analytics Strategie sowie die Industrialisierung hybrider Analytics-Architekturen. Daneben ist Michael Zimmer Speaker, Autor und Herausgeber zu diversen Publikationen zum Thema agile BI und digitiale Agilität.


Prof. Dr. Carsten Felden ist Universitätsprofessor an der TU Bergakademie Freiberg in Sachsen. Dabei hat er die Professur für ABWL, insbesondere Informationswirtschaft/Wirtschaftsinformatik inne. In der Lehre fokussiert Prof. Dr. Felden auf Business Intelligence und Predictive Analytics. Zentrale Forschungsthemen sind Arbeiten im Bereich der Analytics, des Data Warehousing, der Prozessanalyse, der XBRL und Analysen in IT-Reifegradmodellen. Er ist Vorstandsvorsitzender des TDWI Deutschland e.V.


Índice

  • BEGINN
  • 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 Deep Learning
  • Was ist Deep Learning?
  • Warum ist Deep Learning gerade jetzt so aktuell?
  • 6.1 Grundlagen neuronaler Netzwerke
  • 6.2 Deep Convolutional Neural Networks
  • 6.3 Anwendung von Deep Learning
  • 6.4 Fazit
  • 7 Von einer BI-Landschaft zum Data & Analytics-Ökosystem
  • 7.1 Einleitung
  • 7.2 Komponenten analytischer Ökosysteme
  • 7.3 Vom Reporting zur industrialisierten Data Science
  • 7.4 Data Science und Agilität
  • 7.5 Entwicklungs-, Test- und Produktionsumgebungen für Data Science
  • 7.6 Fazit
  • 8 Self-Service im Data-Science-Umfeld: der emanzipierte Anwender
  • 8.1 Einleitung
  • 8.2 Self-Service-Angebote für Data & Analytics
  • 8.3 Self-Service-Datenaufbereitung und Data Science
  • 8.4 Self-Service-Datenaufbereitung vs. ETL
  • 8.5 Data & Analytics Governance
  • 8.6 Bimodale Data & Analytics: Segen oder Fluch?
  • 8.7 Fazit
  • 9 Data Privacy
  • 9.1 Die Rolle von Data Privacy für Analytics und Big Data
  • 9.2 Rechtliche und technische Ausgestaltung von Data Privacy
  • 9.3 Data Privacy im Kontext des Analytics Lifecycle
  • 9.4 Diskussion und Fazit
  • 10 Gespräch zur digitalen Ethik
  • Fallstudien
  • 11 Customer Churn mit Keras/TensorFlow und H2O
  • 12 Wirtschaftlichkeitsbetrachtung bei der Auswahl & Entwicklung von Data Science – Eine Fallstudie im Online-Lebensmitteleinzelhandel
  • 13 Analytics im Onlinehandel
  • 14 Predictive Maintenance
  • 15 Scrum in Data-Science-Projekten
  • 16 Der Analytics-Beitrag zu einer Added-Value-Strategie am Beispiel eines Kundenkartenunternehmens
  • Anhang
  • A Autoren
  • B Abkürzungen
  • C Literaturverzeichnis
  • Index

Otros documentos de esta serie

    Títulos relacionados

      Otros títulos del mismo autor