Data Science : Grundlagen, Architekturen und Anwendungen

Bibliographische Detailangaben

Titel
Data Science Grundlagen, Architekturen und Anwendungen
verantwortlich
Haneke, Uwe (HerausgeberIn); Trahasch, Stephan (HerausgeberIn); Zimmer, Michael (HerausgeberIn); Felden, Carsten (HerausgeberIn)
Ausgabe
2., überarbeitete und erweiterte Auflage
veröffentlicht
Heidelberg: dpunkt.verlag, 2021
©2021
Erscheinungsjahr
2021
Erscheint auch als
Data Science, 2., überarbeitete und erweiterte Auflage, Heidelberg : dpunkt.verlag, 2021, xix, 371 Seiten
Andere Ausgaben
Data Science: Grundlagen, Architekturen und Anwendungen
Medientyp
E-Book
Datenquelle
K10plus Verbundkatalog
Tags
Tag hinzufügen

Zugang

Weitere Informationen sehen Sie, wenn Sie angemeldet sind. Noch keinen Account? Jetzt registrieren.

Zusammenfassung
Intro -- 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? -- Gut Ding will Weile haben -- Die Technologie muss bereitstehen -- »Garbage in, garbage out« -- Don't be too fast -- Die unterschätzte Bedeutung der Informationsbedarfsanalyse -- Neue organisatorische Strukturen, Regelungen und Rollen -- 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 -- Prozess- und strukturorientierte Implementierung -- 3.4 Aus der Praxis -- 3.4.1 Die Automobilbranche als Beispiel -- 3.4.1.1 Machen Sie Ihren Kunden ein Angebot, das sie nicht ausschlagen können -- 3.4.1.2 Spinning the Customer Life Cycle - Schaffen Sie mehr als eine Runde? -- Komponenten auf dem Weg zu personalisierten Massenangeboten -- Das nächstbeste Auto -- Das nächste Finanzierungsmodell -- Die Wahrscheinlichkeit eines Neuwagenkaufs -- Der Restwert eines Gebrauchtwagens -- Upselling -- Welche Kampagne sich für welche Autoserie eignet -- 3.5 Fazit -- 4 Konzeption und Entwicklung von Data-driven Products/Datenprodukten -- 4.1 Einleitung -- 4.2 Datenprodukte -- 4.2.1 Definition -- 4.2.2 Beispiele für Datenprodukte -- Google Recaptcha -- Tesla Autopilot -- Deutsche Post: AddressFactory -- Medienagenturen: Allokation der Werbebudgets -- 4.2.3 Herausforderungen des Produktmanagements für Datenprodukte -- 4.3 Digitale Produktentwicklung -- 4.3.1 Produktmanagement.
Umfang
1 Online-Ressource (392 Seiten)
Sprache
Deutsch
Schlagworte
Data Science > Big Data > Business Intelligence > Data Mining
RVK-Notation
  • Informatik
    • Monografien
      • Einzelne Anwendungen der Datenverarbeitung
        • Wirtschaftsinformatik
          • Data-warehouse-Konzept; Data mining
BK-Notation
54.80 Angewandte Informatik
54.72 Künstliche Intelligenz
ISBN
9783969101520
9783969101537
9783969101544