Читать книгу Data Science - Michael Zimmer - Страница 9

1Einleitung

Uwe 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

1.4Struktur des Buches

2(Advanced) Analytics is the new BI?

Uwe Haneke

2.1Geschichte wiederholt sich?

2.2Die DIKW-Pyramide erklimmen

2.3Vom Nebeneinander zum Miteinander

2.4Fazit

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

3.4Aus der Praxis

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?

3.5Fazit

4Konzeption und Entwicklung von Data-driven Products/Datenprodukten

Christoph Tempich

4.1Einleitung

4.2Datenprodukte

4.2.1Definition

4.2.2Beispiele für Datenprodukte

4.2.3Herausforderungen des Produktmanagements für Datenprodukte

4.3Digitale Produktentwicklung

4.3.1Produktmanagement

4.3.2Agile Entwicklung

4.3.3Lean Startup

4.3.4Data Science

4.3.5Data-centric Business Models

4.4Datenprodukte definieren

4.4.1Ideengenerierung für Datenprodukte entlang der Customer Journey

4.4.2Value Propositions von Datenprodukten

4.4.3Ziele und Messung

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

4.7Technische Anforderungen

4.8Fazit

5Grundlegende Methoden der Data Science

Stephan Trahasch · Carsten Felden

5.1Einleitung

5.2Data Understanding und Data Preparation

5.2.1Explorative Datenanalyse

5.2.2Transformation und Normalisierung

5.3Überwachte Lernverfahren

5.3.1Datenaufteilung

5.3.2Bias-Variance-Tradeoff

5.3.3Klassifikationsverfahren

5.4Unüberwachte Lernverfahren und Clustering

5.5Reinforcement Learning

5.5.1Aspekte des Reinforcement Learning

5.5.2Bestandteile eines Reinforcement-Learning-Systems

5.6Evaluation

5.6.1Ausgewählte Qualitätsmaße im Kontext von Klassifikationsaufgabenstellungen

5.6.2Ausgewählte Qualitätsmaße im Kontext von Clusterungen

5.7Weitere Ansätze

5.7.1Deep Learning

5.7.2Cognitive Computing

5.8Fazit

6Feature Selection

Bianca Huber

6.1Weniger ist mehr

6.2Einführung in die Feature Selection

6.2.1Definition

6.2.2Abgrenzung

6.3Ansätze der Feature Selection

6.3.1Der Filter-Ansatz

6.3.2Der Wrapper-Ansatz

6.3.3Der Embedded-Ansatz

6.3.4Vergleich der drei Ansätze

6.4Feature Selection in der Praxis

6.4.1Empfehlungen

6.4.2Anwendungsbeispiel

6.5Fazit

7Deep Learning

Klaus Dorer

7.1Grundlagen neuronaler Netzwerke

7.1.1Menschliches Gehirn

7.1.2Modell eines Neurons

7.1.3Perzeptron

7.1.4Backpropagation-Netzwerke

7.2Deep Convolutional Neural Networks

7.2.1Convolution-Schicht

7.2.2Pooling-Schicht

7.2.3Fully-Connected-Schicht

7.3Deep Reinforcement Learning

7.4Anwendung von Deep Learning

7.4.1Sweaty

7.4.2AudiCup

7.4.3DRL im RoboCup

7.4.4Deep-Learning-Frameworks

7.4.5Standarddatensätze

7.4.6Standardmodelle

7.4.7Weitere Anwendungen

7.5Fazit

8Von einer BI-Landschaft zum Data & Analytics-Ökosystem

Michael Zimmer · Benjamin Diemann · Andreas Holzhammer

8.1Einleitung

8.2Komponenten analytischer Ökosysteme

8.3Vom Reporting zur industrialisierten Data Science

8.4Data Science und Agilität

8.5Entwicklungs-, Test- und Produktionsumgebungen für Data Science

8.6Vom Spielplatz für Innovation zur Serienfertigung

8.7Anwendungsbeispiel

8.8Fazit

9Self-Service und Governance im Data-Science-Umfeld: der emanzipierte Anwender

Uwe Haneke · Michael Zimmer

9.1Einleitung

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?

9.7.2Augmented Analytics

9.8Fazit

10Data Privacy

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

10.3.1Ideen generieren

10.3.2Prototypen entwickeln

10.3.3Implementieren der Lösung

10.4Diskussion und Fazit

11Gespräch zur digitalen Ethik

Matthias Haun · Gernot Meier

Fallstudien

12Customer Churn mit Keras/TensorFlow und H2O

Shirin Glander

12.1Was ist Customer Churn?

12.1.1Wie kann Predictive Analytics bei dem Problem helfen?

12.1.2Wie können wir Customer Churn vorhersagen?

12.2Fallstudie

12.2.1Der Beispieldatensatz

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

12.4Zusammenfassung und Fazit

13Wirtschaftlichkeitsbetrachtung bei der Auswahl & Entwicklung von Data Science Eine Fallstudie im Online-Lebensmitteleinzelhandel

Nicolas March

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

13.3Fazit

14Analytics im Onlinehandel

Mikio Braun

14.1Einleitung

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?

14.6Fazit

15Predictive Maintenance

Marco Huber

15.1Einleitung

15.2Was ist Instandhaltung?

15.2.1Folgen mangelhafter Instandhaltung

15.2.2Wettbewerbsfähige Produktion

15.3Instandhaltungsstrategien

15.3.1Reaktive Instandhaltung

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

15.4.2.2Überwachte Verfahren

15.4.3Planung und Ausführung

15.5Fallbeispiele

15.5.1Heidelberger Druckmaschinen

15.5.2Verschleißmessung bei einem Werkzeugmaschinenhersteller

15.5.3Vorausschauende Instandhaltung in der IT

15.6Fazit

16Scrum in Data-Science-Projekten

Caroline Kleist · Olaf Pier

16.1Einleitung

16.2Kurzüberblick Scrum

16.3Data-Science-Projekte in der Praxis

16.4Der Einsatz von Scrum in Data-Science-Projekten

16.4.1Eigene Adaption

16.4.2Realisierte Vorteile

16.4.3Herausforderungen

16.5Empfehlungen

16.6Fazit

17Der Analytics-Beitrag zu einer Added-Value-Strategie 303 am Beispiel eines Kundenkartenunternehmens

Matthias Meyer

17.1Geschäftsmodell eines Multipartnerprogramms

17.2Kundenbindung und Kundenbindungsinstrumente

17.3Funktionen und Services eines Multipartnerprogrammbetreibers

17.3.1Funktionen

17.3.2Services und Vorteile aus Nutzer- und aus Partnerperspektive

17.4Konkrete Herausforderungen des betrachteten Multipartnerprogrammbetreibers

17.5Added-Value-Strategie

17.5.1Hintergrund und Zielsetzung

17.5.2Ausgangspunkt Datenbasis

17.6Pilotierung ausgewählter Analytics-Ansätze

17.6.1Analytische Ansatzpunkte

17.6.2Pilotierung

17.7Fazit

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

18.3Anwendungsfälle

18.3.1Analyse von Leistungsinformationen mithilfe von MedEye

18.3.2Bilderkennung im Antragsprozess der Motorfahrzeugversicherung in der Schweiz

18.3.3Betrugserkennung im Kfz-Bereich

18.3.4Verbesserung der Kundeninteraktion und des Kundenmanagements mit den Swiss Platform for Analytical and Cognitive Enterprise (SPACE) Services

18.4Fazit

Anhang

AAutoren

BAbkürzungen

CLiteraturverzeichnis

Index