Читать книгу Data Science - Michael Zimmer - Страница 9
Inhaltsverzeichnis
ОглавлениеUwe Haneke · Stephan Trahasch · Michael Zimmer · Carsten Felden
1.1Von Business Intelligence zu Data Science
1.2Data Science und angrenzende Gebiete
1.3Vorgehen in Data-Science-Projekten
2(Advanced) Analytics is the new BI?
2.1Geschichte wiederholt sich?
2.2Die DIKW-Pyramide erklimmen
2.3Vom Nebeneinander zum Miteinander
3Data Science und künstliche Intelligenz – der Schlüssel zum Erfolg?
Marc Beierschoder · Benjamin Diemann · Michael Zimmer
3.1Zwischen Euphorie und Pragmatismus
3.2Wann ist Data Science und KI das Mittel der Wahl?
3.3Realistische Erwartungen und klare Herausforderungen
3.4.1Die Automobilbranche als Beispiel
3.4.1.1Machen Sie Ihren Kunden ein Angebot, das sie nicht ausschlagen können
3.4.1.2Spinning the Customer Life Cycle – Schaffen Sie mehr als eine Runde?
4Konzeption und Entwicklung von Data-driven Products/Datenprodukten
4.2.2Beispiele für Datenprodukte
4.2.3Herausforderungen des Produktmanagements für Datenprodukte
4.3Digitale Produktentwicklung
4.3.5Data-centric Business Models
4.4.1Ideengenerierung für Datenprodukte entlang der Customer Journey
4.4.2Value Propositions von Datenprodukten
4.4.4Die Erwartung an die Güte des Modells bestimmen
4.4.5Mit dem Datenprodukt beginnen
4.4.6Kontinuierliche Verbesserung mit der Datenwertschöpfungskette
4.4.7Skalierung und Alleinstellungsmerkmal
4.5Kritischer Erfolgsfaktor Feedbackschleife
4.6Organisatorische Anforderungen
5Grundlegende Methoden der Data Science
Stephan Trahasch · Carsten Felden
5.2Data Understanding und Data Preparation
5.2.2Transformation und Normalisierung
5.4Unüberwachte Lernverfahren und Clustering
5.5.1Aspekte des Reinforcement Learning
5.5.2Bestandteile eines Reinforcement-Learning-Systems
5.6.1Ausgewählte Qualitätsmaße im Kontext von Klassifikationsaufgabenstellungen
5.6.2Ausgewählte Qualitätsmaße im Kontext von Clusterungen
6.2Einführung in die Feature Selection
6.3Ansätze der Feature Selection
6.3.4Vergleich der drei Ansätze
6.4Feature Selection in der Praxis
7.1Grundlagen neuronaler Netzwerke
7.1.4Backpropagation-Netzwerke
7.2Deep Convolutional Neural Networks
7.3Deep Reinforcement Learning
7.4Anwendung von Deep Learning
8Von einer BI-Landschaft zum Data & Analytics-Ökosystem
Michael Zimmer · Benjamin Diemann · Andreas Holzhammer
8.2Komponenten analytischer Ökosysteme
8.3Vom Reporting zur industrialisierten Data Science
8.5Entwicklungs-, Test- und Produktionsumgebungen für Data Science
8.6Vom Spielplatz für Innovation zur Serienfertigung
9Self-Service und Governance im Data-Science-Umfeld: der emanzipierte Anwender
9.2Self-Service-Angebote für Data & Analytics
9.3Data Governance und Self-Service
9.4Self-Service-Datenaufbereitung und Data Science
9.5Self-Service-Datenaufbereitung vs. ETL
9.6Bimodale Data & Analytics: Segen oder Fluch?
9.7Entwicklungen im Self-Service-Bereich
9.7.1AutoML als Data-Scientist-Ersatz?
Victoria Kayser · Damir Zubovic
10.1Die Rolle von Data Privacy für Analytics und Big Data
10.2Rechtliche und technische Ausgestaltung von Data Privacy
10.2.1Rechtliche Bestimmungen zu Data Privacy
10.2.2Technische und methodische Ansätze zur Schaffung von Data Privacy
10.3Data Privacy im Kontext des Analytics Lifecycle
10.3.3Implementieren der Lösung
11Gespräch zur digitalen Ethik
12Customer Churn mit Keras/TensorFlow und H2O
12.1.1Wie kann Predictive Analytics bei dem Problem helfen?
12.1.2Wie können wir Customer Churn vorhersagen?
12.2.2Vorverarbeitung der Daten
12.2.3Neuronale Netze mit Keras und TensorFlow
12.2.4Stacked Ensembles mit H2O
12.3Bewertung der Customer-Churn-Modelle
12.3.1Kosten-Nutzen-Kalkulation
12.3.2Erklärbarkeit von Customer-Churn-Modellen
13.1Herausforderungen in der Praxis
13.1.1Data-Science-Anwendungen im Online-LEH
13.1.2Auswahl und Umsetzung wirtschaftlicher Anwendungsfälle
13.2Fallstudie: Kaufempfehlungssysteme im Online-Lebensmitteleinzelhandel
13.2.1Vorabanalysen zur Platzierung von Empfehlungen
13.2.2Prototypische Entwicklung eines Empfehlungsalgorithmus
13.2.3MVP und testgetriebene Entwicklung der Recommendation Engine
14.2Maschinelles Lernen: von der Uni zu Unternehmen
14.3Wie arbeiten Data Scientists und Programmierer zusammen?
14.4Architekturmuster, um maschinelle Lernmethoden produktiv zu nehmen
14.4.1Architekturmuster des maschinellen Lernens
14.4.2Architekturmuster, um Modelle auszuliefern
14.4.3Datenvorverarbeitung und Feature-Extraktion
14.4.4Automation und Monitoring
14.4.5Integrationsmuster für maschinelles Lernen
14.5Was kann man sonst auf Firmenebene tun, um Data Science zu unterstützen?
15.2.1Folgen mangelhafter Instandhaltung
15.2.2Wettbewerbsfähige Produktion
15.3.2Vorbeugende Instandhaltung
15.3.3Vorausschauende Instandhaltung (Predictive Maintenance)
15.4Prozessphasen der vorausschauenden Instandhaltung
15.4.1Datenerfassung und -übertragung
15.4.2Datenanalyse und Vorhersage
15.4.2.1Unüberwachte Verfahren
15.5.1Heidelberger Druckmaschinen
15.5.2Verschleißmessung bei einem Werkzeugmaschinenhersteller
15.5.3Vorausschauende Instandhaltung in der IT
16Scrum in Data-Science-Projekten
16.3Data-Science-Projekte in der Praxis
16.4Der Einsatz von Scrum in Data-Science-Projekten
17.1Geschäftsmodell eines Multipartnerprogramms
17.2Kundenbindung und Kundenbindungsinstrumente
17.3Funktionen und Services eines Multipartnerprogrammbetreibers
17.3.2Services und Vorteile aus Nutzer- und aus Partnerperspektive
17.4Konkrete Herausforderungen des betrachteten Multipartnerprogrammbetreibers
17.5.1Hintergrund und Zielsetzung
17.5.2Ausgangspunkt Datenbasis
17.6Pilotierung ausgewählter Analytics-Ansätze
17.6.1Analytische Ansatzpunkte
18Künstliche Intelligenz bei der Zurich Versicherung – Anwendungen und Beispiele
Michael Zimmer · Jörg Narr · Ariane Horbach · Markus Hatterscheid
18.1Herausforderungen innerhalb der Versicherungsbranche
18.2KI bei der Zurich Versicherung
18.3.1Analyse von Leistungsinformationen mithilfe von MedEye
18.3.2Bilderkennung im Antragsprozess der Motorfahrzeugversicherung in der Schweiz
