Hugendubel.info - Die B2B Online-Buchhandlung 

Merkliste
Die Merkliste ist leer.
Bitte warten - die Druckansicht der Seite wird vorbereitet.
Der Druckdialog öffnet sich, sobald die Seite vollständig geladen wurde.
Sollte die Druckvorschau unvollständig sein, bitte schliessen und "Erneut drucken" wählen.
E-BookPDF1 - PDF WatermarkE-Book
359 Seiten
Deutsch
Springer Fachmedien Wiesbadenerschienen am11.11.20211. Aufl. 2021
Data Science ist in vielen Organisationen angekommen und oft alltägliche Praxis. Dennoch stehen viele Verantwortliche vor der Herausforderung, sich erstmalig mit konkreten Fragestellungen zu beschäftigen oder laufende Projekte weiterzuentwickeln. Die Spannbreite der Methoden, Werkzeuge und Anwendungsmöglichkeiten ist sehr groß und entwickelt sich kontinuierlich weiter. Die Vielzahl an Publikationen zu Data Science ist spezialisiert und behandelt fokussiert Einzelaspekte. 

Das vorliegende Werk gibt den Leserinnen und Lesern eine umfassende Orientierung zum Status Quo aus der wissenschaftlichen Perspektive und zahlreiche vertiefende Darstellungen praxisrelevanter Aspekte. Die Inhalte bauen auf den wissenschaftlichen CAS-Zertifikatskursen zu Big Data und Data Science der Hochschule Niederrhein in Kooperation mit der Hochschule Bonn-Rhein-Sieg und der FH Dortmund auf. Sie berücksichtigen wissenschaftliche Grundlagen und Vertiefungen, aber auch konkrete Erfahrungen aus Data Science Projekten. Das Buch greift praxisrelevante Fragen auf wissenschaftlichem Niveau aus Sicht der Rollen eines 'Data Strategist', 'Data Architect' und 'Data Analyst' auf und bindet erprobte Praxiserfahrungen u. a. von Seminarteilnehmern mit ein. Das Buch gibt für Interessierte einen Einblick in die aktuell relevante Vielfalt der Aspekte zu Data Science bzw. Big Data und liefert Hinweise für die praxisnahe Umsetzung. 







Prof. Dr. Detlev Frick ist Professor für BWL, insb. Wirtschaftsinformatik an der Hochschule Niederrhein, 

Prof. Dr. Andreas Gadatsch ist Professor für BWL, insb. für Wirtschaftsinformatik an der Hochschule Bonn-Rhein-Sieg, 

Professor Dr. Jens Kaufmann ist Professor für Wirtschaftsinformatik, insb. Data Science an der Hochschule Niederrhein, 

Dipl.-Kff. (FH) Birgit Lankes ist Lehrkraft für besondere Aufgaben an der Hochschule Niederrhein,

Prof. Dr. Christoph Quix ist Professor für Wirtschaftsinformatik und Data Science an der Hochschule Niederrhein,

Andreas Schmidt, M.A. ist Wissenschaftlicher Mitarbeiter im Data Innovation Lab der Hochschule Bonn-Rhein-Sieg und

Prof. Dr. Uwe Schmitz ist Professor für Wirtschaftsinformatik an der FH Dortmund.mehr
Verfügbare Formate
BuchKartoniert, Paperback
EUR54,99
E-BookPDF1 - PDF WatermarkE-Book
EUR42,99

Produkt

KlappentextData Science ist in vielen Organisationen angekommen und oft alltägliche Praxis. Dennoch stehen viele Verantwortliche vor der Herausforderung, sich erstmalig mit konkreten Fragestellungen zu beschäftigen oder laufende Projekte weiterzuentwickeln. Die Spannbreite der Methoden, Werkzeuge und Anwendungsmöglichkeiten ist sehr groß und entwickelt sich kontinuierlich weiter. Die Vielzahl an Publikationen zu Data Science ist spezialisiert und behandelt fokussiert Einzelaspekte. 

Das vorliegende Werk gibt den Leserinnen und Lesern eine umfassende Orientierung zum Status Quo aus der wissenschaftlichen Perspektive und zahlreiche vertiefende Darstellungen praxisrelevanter Aspekte. Die Inhalte bauen auf den wissenschaftlichen CAS-Zertifikatskursen zu Big Data und Data Science der Hochschule Niederrhein in Kooperation mit der Hochschule Bonn-Rhein-Sieg und der FH Dortmund auf. Sie berücksichtigen wissenschaftliche Grundlagen und Vertiefungen, aber auch konkrete Erfahrungen aus Data Science Projekten. Das Buch greift praxisrelevante Fragen auf wissenschaftlichem Niveau aus Sicht der Rollen eines 'Data Strategist', 'Data Architect' und 'Data Analyst' auf und bindet erprobte Praxiserfahrungen u. a. von Seminarteilnehmern mit ein. Das Buch gibt für Interessierte einen Einblick in die aktuell relevante Vielfalt der Aspekte zu Data Science bzw. Big Data und liefert Hinweise für die praxisnahe Umsetzung. 







Prof. Dr. Detlev Frick ist Professor für BWL, insb. Wirtschaftsinformatik an der Hochschule Niederrhein, 

Prof. Dr. Andreas Gadatsch ist Professor für BWL, insb. für Wirtschaftsinformatik an der Hochschule Bonn-Rhein-Sieg, 

Professor Dr. Jens Kaufmann ist Professor für Wirtschaftsinformatik, insb. Data Science an der Hochschule Niederrhein, 

Dipl.-Kff. (FH) Birgit Lankes ist Lehrkraft für besondere Aufgaben an der Hochschule Niederrhein,

Prof. Dr. Christoph Quix ist Professor für Wirtschaftsinformatik und Data Science an der Hochschule Niederrhein,

Andreas Schmidt, M.A. ist Wissenschaftlicher Mitarbeiter im Data Innovation Lab der Hochschule Bonn-Rhein-Sieg und

Prof. Dr. Uwe Schmitz ist Professor für Wirtschaftsinformatik an der FH Dortmund.
Details
Weitere ISBN/GTIN9783658334031
ProduktartE-Book
EinbandartE-Book
FormatPDF
Format Hinweis1 - PDF Watermark
FormatE107
Erscheinungsjahr2021
Erscheinungsdatum11.11.2021
Auflage1. Aufl. 2021
Seiten359 Seiten
SpracheDeutsch
IllustrationenXLIII, 359 S. 133 Abbildungen, 90 Abbildungen in Farbe.
Artikel-Nr.8452648
Rubriken
Genre9200

Inhalt/Kritik

Inhaltsverzeichnis
1;Geleitwort: Den Menschen im Fokus - Datenschutz als Erfolgsfaktor für Big Data Technologien;5
2;Vorwort;7
3;Grußwort;9
4;Grußwort: Data Science - Weiterbildung für die Zukunft;10
5;Data Science - Entwicklungslinien und Trends;11
6;Inhaltsverzeichnis;15
7;Herausgeber- und Autorenverzeichnis;23
8;Abbildungsverzeichnis;37
9;Tabellenverzeichnis;41
10;Teil I Data Strategist Digitalisierung von Geschäftsmodellen - Big Data Technologien erfolgreich implementieren;42
11;1 Big Data;43
11.1;Zusammenfassung;43
11.2;1.1Grundlagen;43
11.3;1.2Architektur und Bausteine;46
11.4;1.3Datengetriebene Geschäftsmodelle;55
11.5;1.4Exemplarische Einsatzmöglichkeiten;57
11.6;Literatur;64
12;2 Data Literacy als ein essenzieller Skill für das 21. Jahrhundert;66
12.1;Zusammenfassung;66
12.2;2.1Notwendigkeit von Data Literacy;67
12.3;2.2Data Literacy als Begriff;69
12.4;2.3Data Literacy Skills im Detail;71
12.5;2.4Konzepte zur Implementation von Data Literacy in Lehre und Praxis;73
12.6;2.5Fazit;77
12.7;Literatur;78
13;3 Management von Big Data Projekten;80
13.1;Zusammenfassung;80
13.2;3.1Konzeptioneller Rahmen des Informationsmanagements;80
13.2.1;3.1.1Überblick;81
13.2.2;3.1.2Aufgabenorientiertes Ebenenmodell;81
13.2.3;3.1.3Integriertes Informationsmanagement;83
13.2.4;3.1.4Einordnung von Big Data;84
13.3;3.2Digitalisierung von Geschäftsmodellen mit Big Data;85
13.3.1;3.2.1IT-Governance und Digitalisierung;85
13.3.2;3.2.2Von der IT-Strategie zur Business Digitalstrategie;88
13.3.3;3.2.3Management von Big Data;92
13.3.4;3.2.4Vorgehensmodelle zur Einführung von Big Data;93
13.3.5;3.2.5Messung des Reifegrades von Organisationen;96
13.3.6;3.2.6Auswirkungen von Big Data auf die Organisation;98
13.4;Literatur;99
14;4 Digital Leadership;102
14.1;Zusammenfassung;102
14.2;4.1Führung im Digitalzeitalter;102
14.3;4.2New Work;103
14.3.1;4.2.1Mobile Arbeitsplätze;104
14.3.2;4.2.2Flexible Arbeitszeiten;104
14.3.3;4.2.3Veränderte Arbeitsinhalte;105
14.3.4;4.2.4Neue Arbeitsorganisation;106
14.4;4.3New Workforce;107
14.4.1;4.3.1Beschäftigungseffekte der Digitalisierung;107
14.4.2;4.3.2Rekrutierung von Generation Z;107
14.5;4.4Digital Leader;110
14.5.1;4.4.1Persönlichkeitsmerkmale;110
14.5.2;4.4.2Führungskompetenzen;111
14.5.3;4.4.3Virtuelle Führung;111
14.6;4.5Konzepte und Methoden für Digital Leadership;112
14.6.1;4.5.1SCRUM;112
14.6.2;4.5.2Design Thinking;115
14.6.3;4.5.3Servant Leadership;116
14.6.4;4.5.4VOPA?+?Modell;116
14.7;4.6Fazit;118
14.8;Literatur;119
15;Teil II Data Architect: Informationsarchitekturen gestalten - Daten effizient verwalten;121
16;5 Data Engineering;122
16.1;Zusammenfassung;122
16.2;5.1Aufgaben des Data Engineering;123
16.3;5.2Architekturen zum Daten-Management;124
16.4;5.3Datenmodellierung und Metadaten-Management;128
16.5;5.4Datenaufbereitung und Datenintegration;130
16.6;5.5Datenbank-Management-Systeme: SQL, NoSQL und Big Data;136
16.7;5.6Fazit;139
16.8;Literatur;140
17;6 Data Governance;142
17.1;Zusammenfassung;142
17.2;6.1Einführung;142
17.2.1;6.1.1Begriffliche Einordnung;142
17.2.2;6.1.2Datenstrategie;144
17.3;6.2Data Governance Framework;146
17.3.1;6.2.1Strategie;146
17.3.2;6.2.2Aufbauorganisation;148
17.3.3;6.2.3Richtlinien, Prozesse und Standards;149
17.3.4;6.2.4Messen und Beobachten;150
17.3.5;6.2.5Technologie;151
17.3.6;6.2.6Kommunikation;153
17.4;6.3Data Quality Management (DQM);154
17.5;6.4Fazit;155
17.6;Literatur;155
18;7 Einsatz von In-Memory Technologien;157
18.1;Zusammenfassung;157
18.2;7.1Einleitung;157
18.3;7.2Definition und Abgrenzung In-Memory Technologien;159
18.4;7.3Anforderungen an den Einsatz einer In-Memory-Technologie;163
18.5;7.4Bewertung;165
18.6;7.5Fazit;167
18.7;Literatur;167
19;8 Big-Data-Technologien;168
19.1;Zusammenfassung;168
19.2;8.1Einleitung;168
19.3;8.2Skalierbarkeit und Fehlertoleranz;169
19.4;8.3Volume - Management von großen Datenmengen;172
19.5;8.4Velocity - Kontinuierliche Verarbeitung von Datenströmen;177
19.6;8.5Variety - Unterstützung für die Zusammenführung von heterogenen Daten;180
19.7;8.6Fazit;183
19.8;Literatur;183
20;9 Information Data Models: Das Fundament einer guten Information Strategy;184
20.1;Zusammenfassung;184
20.2;9.1Drei Thesen aus Sicht eines Praktikers;185
20.3;9.2It`s all about the information;187
20.4;9.3Das Heute und seine Hürden;187
20.5;9.4Wie es dazu gekommen ist;188
20.6;9.5Die Enterprise Architektur;189
20.7;9.6Drei Formen der Informations-Architektur und deren Auswirkungen;190
20.7.1;9.6.1Das Gestern und leider noch das Heute. Der anwendungszentrierte Ansatz (The Application Centric Approach);190
20.7.2;9.6.2Das Heute und die Morgendämmerung, der datengesteuerte Ansatz (The Data Driven Approach);191
20.7.3;9.6.3Das überfällige Übermorgen, die datenzentrische Architektur (The Data Centric Architecture);194
20.8;Literatur;197
21;Teil III Data Analyst: Auswerten, Präsentieren, Entscheiden - Systematische Datenanalyse im Unternehmen;199
22;10 Reporting multidimensionaler Daten und Kennzahlen;200
22.1;Zusammenfassung;200
22.2;10.1Betriebswirtschaftliche Motivation;200
22.2.1;10.1.1Kennzahlen und ihre Anwendung;201
22.2.2;10.1.2Auswahl von Kennzahlen;202
22.3;10.2Daten und Business Intelligence;203
22.3.1;10.2.1Datenmodellierung;204
22.3.2;10.2.2Datensicherung;205
22.3.3;10.2.3Harmonisierung;206
22.3.4;10.2.4Daten-/Informationsqualität;206
22.3.5;10.2.5Datenbereitstellung;207
22.4;10.3Reporting/Berichtswesen;207
22.4.1;10.3.1Berichtsgrundformen;209
22.4.2;10.3.2Anforderungen an Berichte;210
22.5;Literatur;210
23;11 Fundamentale Analyse- und Visualisierungstechniken;212
23.1;Zusammenfassung;212
23.2;11.1Einleitung und Begriffswelt;212
23.3;11.2Lineare Regression;215
23.3.1;11.2.1Basisidee und Begrifflichkeiten;215
23.3.2;11.2.2Beispiel und Ergebnisinterpretation;216
23.3.3;11.2.3Prüfen der Voraussetzungen und Variablentransformation;218
23.4;11.3Einfache Klassifikationsverfahren;219
23.4.1;11.3.1k-Nearest-Neighbors;219
23.4.2;11.3.2Naive Bayes;220
23.4.3;11.3.3Entscheidungsbäume;221
23.5;11.4Clustering-Verfahren;222
23.5.1;11.4.1Hierarchische Verfahren;222
23.5.2;11.4.2Partitionierende Verfahren;224
23.6;11.5Assoziationsanalyse;224
23.7;11.6Ergänzende Überlegungen, Software und Tools;225
23.8;Literatur;226
24;12 Fortgeschrittene Verfahren zur Analyse und Datenexploration, Advanced Analytics und Text Mining;227
24.1;Zusammenfassung;227
24.2;12.1Einleitung;227
24.3;12.2Datenexploration und -darstellung;228
24.4;12.3Principal Component Analysis;229
24.5;12.4Random Forests;232
24.6;12.5Logistische Regression;232
24.7;12.6Entscheidungsbewertung;233
24.8;12.7Zeitreihenanalyse;234
24.9;12.8Text Mining;237
24.10;12.9Weitere Analysemöglichkeiten;239
24.11;Literatur;240
25;13 Datenbasierte Algorithmen zur Unterstützung von Entscheidungen mittels künstlicher neuronaler Netze;241
25.1;Zusammenfassung;241
25.2;13.1Datenbasierte Algorithmen und maschinelles Lernen;241
25.2.1;13.1.1Maschinelles Lernen;242
25.2.2;13.1.2Lernverfahren;243
25.3;13.2Künstliche neuronale Netze;244
25.3.1;13.2.1Netzarchitekturen;244
25.3.2;13.2.2Grenzen künstlicher neuronaler Netze;245
25.4;13.3Beispielhafte Anwendungsfelder;246
25.5;13.4Entwicklungsprozess;248
25.6;13.5Entwicklungsplattformen und Werkzeuge;249
25.6.1;13.5.1TensorFlow und PyTorch;250
25.6.2;13.5.2Ausführungsmodi;251
25.6.3;13.5.3Deployment und Betrieb;252
25.7;13.6Fazit und Ausblick;254
25.8;Literatur;255
26;14 Künstliche Neuronale Netze - Aufbau, Funktion und Nutzen;257
26.1;Zusammenfassung;257
26.2;14.1Einleitung;258
26.3;14.2Aufbau;259
26.3.1;14.2.1Künstliches Neuron;259
26.3.2;14.2.2Künstliche neuronale Netze;261
26.4;14.3Lernen künstlicher neuronaler Netze;265
26.4.1;14.3.1Überwachtes Lernen - Lernen mittels Backpropagation;266
26.4.2;14.3.2Unüberwachtes Lernen - Lernen mittels Wettbewerbslernen;267
26.5;14.4Nutzenpotenziale und Herausforderungen;268
26.6;14.5Fazit;270
26.7;Literatur;270
27;15 Bayesian Thinking in Machine Learning;272
27.1;Zusammenfassung;272
27.2;15.1Bayesian Thinking;273
27.3;15.2Bayes in Machine Learning;276
27.3.1;15.2.1Bayes in Regressionsverfahren;276
27.3.2;15.2.2Bayes in Klassifikationsverfahren;280
27.4;15.3Naive Bayes Classifier;282
27.4.1;15.3.1Grundlagen;282
27.4.2;15.3.2Methodik;283
27.5;15.4Fazit;285
27.6;Literatur;285
28;Teil IV Anwendungsorientierte Data Science;287
29;16 Text Mining: Durchführung einer Sentiment Analysis mit SAP HANA;288
29.1;Zusammenfassung;288
29.2;16.1Einleitung;288
29.3;16.2Grundlagen;289
29.4;16.3Umsetzung;290
29.4.1;16.3.1Vorgehensmodell;290
29.4.2;16.3.2Implementierung;292
29.4.2.1;16.3.2.1 Datenakquise;293
29.4.2.2;16.3.2.2 Datenverarbeitung;295
29.4.2.3;16.3.2.3 Datenanalyse;300
29.5;16.4Fazit;302
29.6;Literatur;303
30;17 Weiterbildung in Data Science;305
30.1;Zusammenfassung;305
30.2;17.1Kompetenz-Rahmenwerke für Data Science;306
30.3;17.2Studiengänge zu Data Science;308
30.4;17.3Berufliche Weiterbildung zu Data Science;311
30.4.1;17.3.1Zertifikatsprogramm der Fraunhofer Gesellschaft zu Data Science;312
30.4.2;17.3.2Zertifikatsstudien der Hochschule Niederrhein;313
30.4.3;17.3.3Zertifikatslehrgang zum Data Scientist der Bitkom Akademie;315
30.5;17.4Fazit;316
30.6;Literatur;317
31;18 Plattformökonomie für Data Plattformen;318
31.1;Zusammenfassung;318
31.2;18.1Motivation;318
31.3;18.2Begriffshaushalt;319
31.3.1;18.2.1Plattformen und Plattformökonomie;319
31.3.2;18.2.2Data Plattform;321
31.4;18.3Design-Prinzipien für Data Plattformen;323
31.4.1;18.3.1Netzwerkeffekte durch gemeinsam genutzte Datenobjekte;323
31.4.2;18.3.2Strategien für die Aktivierung von Plattformteilnehmern;324
31.4.3;18.3.3Einfacher Zugang durch Self-Service;325
31.4.4;18.3.4Effektives Matching durch Metadaten;326
31.5;18.4Monetarisierung;326
31.6;18.5Zusammenfassung und Fazit;327
31.7;Literatur;329
32;19 Akzeptanz und Nutzung von maschinellem Lernen und Analytics im Rechnungswesen und Controlling;331
32.1;Zusammenfassung;331
32.2;19.1Eine Herausforderung für die Finanzfunktion;332
32.3;19.2Nutzerakzeptanzforschung zu maschinellem Lernen;333
32.4;19.3Befragung von Führungskräften;334
32.4.1;19.3.1Strukturgleichungsmodell;334
32.4.2;19.3.2Umfrage;334
32.5;19.4Aktuelle Nutzung und Treiber;336
32.5.1;19.4.1Ergebnisse der Befragung;336
32.5.2;19.4.2Treibermodell zur Nutzung und Akzeptanz;341
32.6;19.5Handlungsempfehlungen und Ausblick;343
32.7;Literatur;344
33;20 Durch Daten zu neuen Geschäftsmodellen und Prozessoptimierungen - im Kontext von Car-Sharing;346
33.1;Zusammenfassung;346
33.2;20.1Kurze Einführung;346
33.3;20.2Durch Daten zu neuen Ideen und Optimierungen;347
33.4;20.3Umdenken im Unternehmen;350
33.5;20.4Durch ständige Überwachung zur stetigen Anpassung;353
33.6;20.5Mit Lessons Learned zur Optimierung von Geschäftsmodellen und -prozessen;356
33.7;20.6Fazit;360
33.8;Literatur;360
34;21 Einsatz von Logit- und Probit-Modellen in der Finanzindustrie;361
34.1;Zusammenfassung;361
34.2;21.1Einleitung;361
34.3;21.2Logit- und Probit-Modelle;362
34.4;21.3Datengrundlage;364
34.5;21.4Modellierung;367
34.6;21.5Überprüfung der Modellannahmen;371
34.7;21.6Vorstellung der Ergebnisse;372
34.8;21.7Vergleichende Beurteilung;375
34.9;Literatur;378
35;Stichwortverzeichnis;381mehr

Autor

Prof. Dr. Detlev Frick ist Professor für BWL, insb. Wirtschaftsinformatik an der Hochschule Niederrhein,

Prof. Dr. Andreas Gadatsch ist Professor für BWL, insb. für Wirtschaftsinformatik an der Hochschule Bonn-Rhein-Sieg,

Professor Dr. Jens Kaufmann ist Professor für Wirtschaftsinformatik, insb. Data Science an der Hochschule Niederrhein,

Dipl.-Kff. (FH) Birgit Lankes ist Lehrkraft für besondere Aufgaben an der Hochschule Niederrhein,

Prof. Dr. Christoph Quix ist Professor für Wirtschaftsinformatik und Data Science an der Hochschule Niederrhein,

Andreas Schmidt, M.A. ist Wissenschaftlicher Mitarbeiter im Data Innovation Lab der Hochschule Bonn-Rhein-Sieg und

Prof. Dr. Uwe Schmitz ist Professor für Wirtschaftsinformatik an der FH Dortmund.