Verfügbarkeit: Data Science | Technische Universität München

Data Science: Grundlagen, Architekturen und Anwendungen

Gespeichert in:

Bibliographische Detailangaben
Weitere beteiligte Personen:	Haneke, Uwe 1964- (HerausgeberIn), Trahasch, Stephan (HerausgeberIn), Zimmer, Michael 1981- (HerausgeberIn), Felden, Carsten 1969- (HerausgeberIn)
Format:	Buch
Sprache:	Deutsch
Veröffentlicht:	Heidelberg dpunkt.verlag 2021
Ausgabe:	2., überarbeitete und erweiterte Auflage
Schriftenreihe:	Edition TDWI
Schlagwörter:	Big Data Business Intelligence Data Mining Künstliche Intelligenz Data Science Aufsatzsammlung Einführung
Links:	http://deposit.dnb.de/cgi-bin/dokserv?id=cc9bfc7bd0da4a0180f0d43c2dd49618&prov=M&dok_var=1&dok_ext=htm http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032581533&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA
Beschreibung:	Literaturverzeichnis: Seite 345-365
Umfang:	xix, 371 Seiten Illustrationen, Diagramme
ISBN:	9783864908224

Internformat

MARC


LEADER	00000nam a22000008c 4500
001	BV047176153
003	DE-604
005	20221107
007	t\|
008	210304s2021 gw a\|\|\| \|\|\|\| 00\|\|\| ger d
015			\|a 20,N49 \|2 dnb
016	7		\|a 1222298732 \|2 DE-101
020			\|a 9783864908224 \|c : circa EUR 59.90 (DE), circa EUR 61.60 (AT) \|9 978-3-86490-822-4
024	3		\|a 9783864908224
035			\|a (OCoLC)1242730949
035			\|a (DE-599)DNB1222298732
040			\|a DE-604 \|b ger \|e rda
041	0		\|a ger
044			\|a gw \|c XA-DE-BW
049			\|a DE-20 \|a DE-860 \|a DE-92 \|a DE-355 \|a DE-N2 \|a DE-1049 \|a DE-1043 \|a DE-898 \|a DE-Aug4 \|a DE-29T \|a DE-1102 \|a DE-859 \|a DE-739 \|a DE-703 \|a DE-11 \|a DE-M347 \|a DE-573 \|a DE-573n \|a DE-706 \|a DE-384 \|a DE-473 \|a DE-858 \|a DE-1052 \|a DE-83
084			\|a QP 345 \|0 (DE-625)141866: \|2 rvk
084			\|a QH 500 \|0 (DE-625)141607: \|2 rvk
084			\|a ST 530 \|0 (DE-625)143679: \|2 rvk
245	1	0	\|a Data Science \|b Grundlagen, Architekturen und Anwendungen \|c Uwe Haneke, Stephan Trahasch, Michael Zimmer, Carsten Felden (Hrsg.)
250			\|a 2., überarbeitete und erweiterte Auflage
264		1	\|a Heidelberg \|b dpunkt.verlag \|c 2021
300			\|a xix, 371 Seiten \|b Illustrationen, Diagramme
336			\|b txt \|2 rdacontent
337			\|b n \|2 rdamedia
338			\|b nc \|2 rdacarrier
490	0		\|a Edition TDWI
500			\|a Literaturverzeichnis: Seite 345-365
650	0	7	\|a Big Data \|0 (DE-588)4802620-7 \|2 gnd \|9 rswk-swf
650	0	7	\|a Business Intelligence \|0 (DE-588)4588307-5 \|2 gnd \|9 rswk-swf
650	0	7	\|a Data Mining \|0 (DE-588)4428654-5 \|2 gnd \|9 rswk-swf
650	0	7	\|a Künstliche Intelligenz \|0 (DE-588)4033447-8 \|2 gnd \|9 rswk-swf
650	0	7	\|a Data Science \|0 (DE-588)1140936166 \|2 gnd \|9 rswk-swf
655		7	\|0 (DE-588)4143413-4 \|a Aufsatzsammlung \|2 gnd-content
655		7	\|0 (DE-588)4151278-9 \|a Einführung \|2 gnd-content
689	0	0	\|a Data Science \|0 (DE-588)1140936166 \|D s
689	0	1	\|a Big Data \|0 (DE-588)4802620-7 \|D s
689	0	2	\|a Business Intelligence \|0 (DE-588)4588307-5 \|D s
689	0	3	\|a Data Mining \|0 (DE-588)4428654-5 \|D s
689	0		\|5 DE-604
689	1	0	\|a Data Mining \|0 (DE-588)4428654-5 \|D s
689	1	1	\|a Business Intelligence \|0 (DE-588)4588307-5 \|D s
689	1	2	\|a Künstliche Intelligenz \|0 (DE-588)4033447-8 \|D s
689	1		\|5 DE-604
700	1		\|a Haneke, Uwe \|d 1964- \|0 (DE-588)122150546 \|4 edt
700	1		\|a Trahasch, Stephan \|0 (DE-588)1079608842 \|4 edt
700	1		\|a Zimmer, Michael \|d 1981- \|0 (DE-588)1034088351 \|4 edt
700	1		\|a Felden, Carsten \|d 1969- \|0 (DE-588)1020725702 \|4 edt
710	2		\|a Dpunkt.Verlag (Heidelberg) \|0 (DE-588)6085529-0 \|4 pbl
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, PDF \|z 978-3-96910-152-0
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, EPUB \|z 978-3-96910-153-7
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, MOBI \|z 978-3-96910-154-4
856	4	2	\|m X:MVB \|q text/html \|u http://deposit.dnb.de/cgi-bin/dokserv?id=cc9bfc7bd0da4a0180f0d43c2dd49618&prov=M&dok_var=1&dok_ext=htm \|3 Inhaltstext
856	4	2	\|m DNB Datenaustausch \|q application/pdf \|u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032581533&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA \|3 Inhaltsverzeichnis
943	1		\|a oai:aleph.bib-bvb.de:BVB01-032581533

Datensatz im Suchindex

_version_	1819266149323374592
adam_text	1 2 3 4 5 6 7 8 9 10 11 IX INHALTSUEBERSICHT EINLEITUNG 1 UWE HANEKE * STEPHAN TRAHASCH * MICHAEL ZIMMER * CARSTEN FELDEN (ADVANCED) ANALYTICS IS THE NEW BI? 15 UWE HANEKE DATA SCIENCE UND KUENSTLICHE INTELLIGENZ - DER SCHLUESSEL ZUM ERFOLG? 29 MARC BEIERSCHODER * BENJAMIN DIEMANN * MICHAEL ZIMMER KONZEPTION UND ENTWICKLUNG VON DATA-DRIVEN PRODUCTS/ DATENPRODUKTEN 45 CHRISTOPH TEMPICH GRUNDLEGENDE METHODEN DER DATA SCIENCE 65 STEPHAN TRAHASCH * CARSTEN FELDEN FEATURE SELECTION BIANCA HUBER 101 DEEP LEARNING KLAUS DORER 119 VON EINER BL-LANDSCHAFT ZUM DATA & ANALYTICS-OEKOSYSTEM MICHAEL ZIMMER * BENJAMIN DIEMANN * ANDREAS HOLZHAMMER 143 SELF-SERVICE UND GOVERNANCE IM DATA-SCIENCE-UMFELD: DER EMANZIPIERTE ANWENDER UWE HANEKE * MICHAEL ZIMMER 161 DATA PRIVACY VICTORIA KAYSER * DAMIR ZUBOVIC 177 GESPRAECH ZUR DIGITALEN ETHIK MATTHIAS HAUN * GERNOT MEIER 191 X INHALTSUEBERSICHT FALLSTUDIEN 211 12 CUSTOMER CHURN MIT KERAS/TENSORFLOW UND H20 213 SHIRIN GLANDER 13 WIRTSCHAFTLICHKEITSBETRACHTUNG BEI DER AUSWAHL & ENTWICKLUNG VON DATA SCIENCE 229 EINE FALLSTUDIE IM ONLINE-LEBENSMITTELEINZELHANDEL NICOLAS MARCH 14 ANALYTICS IM ONLINEHANDEL 239 MIKIO BRAUN 15 PREDICTIVE MAINTENANCE 255 MARCO HUBER 16 SERUM IN DATA-SCIENCE-PROJEKTEN 275 CAROLINE KLEIST * OLAF PIER 17 DER ANALYTICS-BEITRAG ZU EINER ADDED-VALUE-STRATEGIE 303 AM BEISPIEL EINES KUNDENKARTENUNTERNEHMENS MATTHIAS MEYER 18 KUENSTLICHE INTELLIGENZ BEI DER ZURICH VERSICHERUNG - ANWENDUNGEN UND BEISPIELE 317 MICHAEL ZIMMER * JOERG NARR * ARIANE HORBACH * MARKUS HATTERSCHEID ANHANG 331 A AUTOREN 333 B ABKUERZUNGEN 341 C LITERATURVERZEICHNIS 345 INDEX 367 XI INHALTSVERZEICHNIS 1 EINLEITUNG 1 UWE HANEKE * STEPHAN TRAHASCH * MICHAEL ZIMMER * CARSTEN FELDEN 1.1 VON BUSINESS INTELLIGENCE ZU DATA SCIENCE ...................... . ................... 1 1.2 DATA SCIENCE UND ANGRENZENDE GEBIETE .................................................. 6 1.3 VORGEHEN IN DATA-SCIENCE-PROJEKTEN ....................................................... 9 1.4 STRUKTUR DES BUCHES ............................................................................... 11 2 (ADVANCED) ANALYTICS IS THE NEW BI? 15 UWE HANEKE 2.1 GESCHICHTE WIEDERHOLT SICH? .................................................................. 15 2.2 DIE DIKW-PYRAMIDE ERKLIMMEN ........................................................... 21 2.3 VOM NEBENEINANDER ZUM MITEINANDER ................................................ 24 2.4 FAZIT ......................................................................................................... 27 3 DATA SCIENCE UND KUENSTLICHE INTELLIGENZ - DER SCHLUESSEL ZUM ERFOLG? 29 MARC BEIERSCHODER * BENJAMIN DIEMANN * MICHAEL ZIMMER 3.1 ZWISCHEN EUPHORIE UND PRAGMATISMUS ................................................ 29 3.2 WANN IST DATA SCIENCE UND KI DAS MITTEL DER WAHL? ......................... 31 3.3 REALISTISCHE ERWARTUNGEN UND KLARE HERAUSFORDERUNGEN .................. 33 3.4 AUS DER PRAXIS ........................................................................................ 36 3.4.1 DIE AUTOMOBILBRANCHE ALS BEISPIEL ........................................ 37 3.4.1.1 MACHEN SIE IHREN KUNDEN EIN ANGEBOT, DAS SIE NICHT AUSSCHLAGEN KOENNEN .......................... 37 3.4.1.2 SPINNING THE CUSTOMER LIFE CYCLE - SCHAFFEN SIE MEHR ALS EINE RUNDE? ........................ 38 3.5 FAZIT ......................................................................................................... 43 XII INHALTSVERZEICHNIS 4 KONZEPTION UND ENTWICKLUNG VON DATA-DRIVEN PRODUCTS/ DATENPRODUKTEN 45 CHRISTOPH TEMPICH 4.1 EINLEITUNG ................................................................................................... 45 4.2 DATENPRODUKTE .......................................................................................... 46 4.2.1 DEFINITION ...................................................................................... 46 4.2.2 BEISPIELE FUER DATENPRODUKTE ....................................................... 48 4.2.3 HERAUSFORDERUNGEN DES PRODUKTMANAGEMENTS FUER DATENPRODUKTE ....................................................................... 50 4.3 DIGITALE PRODUKTENTWICKLUNG ..................................................................... 50 4.3.1 PRODUKTMANAGEMENT .................................................................. 50 4.3.2 AGILE ENTWICKLUNG ....................................................................... 51 4.3.3 LEAN STARTUP .................................................................................. 51 4.3.4 DATA SCIENCE .................................................................................. 52 4.3.5 DATA-CENTRIC BUSINESS MODELS ..................................................... 52 4.4 DATENPRODUKTE DEFINIEREN ......................................................................... 53 4.4.1 IDEENGENERIERUNG FUER DATENPRODUKTE ENTLANG DER CUSTOMER JOURNEY ................................................................ 53 4.4.2 VALUE PROPOSITIONS VON DATENPRODUKTEN ................................. 54 4.4.3 ZIELE UND MESSUNG ....................................................................... 55 4.4.4 DIE ERWARTUNG AN DIE GUETE DES MODELLS BESTIMMEN ............... 56 4.4.5 MIT DEM DATENPRODUKT BEGINNEN .............................................. 56 4.4.6 KONTINUIERLICHE VERBESSERUNG MIT DER DATENWERTSCHOEPFUNGSKETTE ......................................................... 57 4.4.7 SKALIERUNG UND ALLEINSTELLUNGSMERKMAL ................................... 58 4.5 KRITISCHER ERFOLGSFAKTOR FEEDBACKSCHLEIFE ..............................................58 4.6 ORGANISATORISCHE ANFORDERUNGEN ............................................................ 61 4.7 TECHNISCHE ANFORDERUNGEN .......................................................................63 4.8 FAZIT ............................................................................................................63 5 GRUNDLEGENDE METHODEN DER DATA SCIENCE 65 STEPHAN TRAHASCH * CARSTEN FELDEN 5.1 EINLEITUNG ................................................................................................... 65 5.2 DATA UNDERSTANDING UND DATA PREPARATION ............................................66 5.2.1 EXPLORATIVE DATENANALYSE ............................................................ 68 5.2.2 TRANSFORMATION UND NORMALISIERUNG ........................................70 INHALTSVERZEICHNIS XIII 5.3 UEBERWACHTE LERNVERFAHREN .................................................................... 71 5.3.1 DATENAUFTEILUNG ........................................................................ 71 5.3.2 BIAS-VARIANCE-TRADEOFF ........................................................... 74 5.3.3 KLASSIFIKATIONSVERFAHREN ......................................................... 75 5.4 UNUEBERWACHTE LERNVERFAHREN UND CLUSTERING ...................................... 79 5.5 REINFORCEMENT LEARNING ......................................................................... 85 5.5.1 ASPEKTE DES REINFORCEMENT LEARNING ..................................... 86 5.5.2 BESTANDTEILE EINES REINFORCEMENT-LEARNING-SYSTEMS ........... 89 5.6 EVALUATION .............................................................................................. 91 5.6.1 AUSGEWAEHLTE QUALITAETSMASSE IM KONTEXT VON KLASSIFIKATIONSAUFGABENSTELLUNGEN .......................................... 92 5.6.2 AUSGEWAEHLTE QUALITAETSMASSE IM KONTEXT VON CLUSTERUNGEN . 98 5.7 WEITERE ANSAETZE .................................................................................... 100 5.7.1 DEEP LEARNING ........................................................................ 100 5.7.2 COGNITIVE COMPUTING ........................................................... 100 5.8 FAZIT ....................................................................................................... 100 6 FEATURE SELECTION 101 BIANCA HUBER 6.1 WENIGER IST MEHR .................................................................................. 101 6.2 EINFUEHRUNG IN DIE FEATURE SELECTION ................................................... 102 6.2.1 DEFINITION ............................................................................... 103 6.2.2 ABGRENZUNG ............................................................................. 104 6.3 ANSAETZE DER FEATURE SELECTION ............................................................ 105 6.3.1 DER FILTER-ANSATZ .................................................................... 107 6.3.2 DER WRAPPER-ANSATZ ........................................................... 109 6.3.3 DER EMBEDDED-ANSATZ ......................................................... 111 6.3.4 VERGLEICH DER DREI ANSAETZE ..................................................... 112 6.4 FEATURE SELECTION IN DER PRAXIS ............................. 113 6.4.1 EMPFEHLUNGEN ........................................................................ 113 6.4.2 ANWENDUNGSBEISPIEL ............................................................. 114 6.5 FAZIT ..................................................................................................... 117 XIV INHALTSVERZEICHNIS 7 DEEP LEARNING 119 KLAUS DORER 7.1 GRUNDLAGEN NEURONALER NETZWERKE ........................................................ 121 7.1.1 MENSCHLICHES GEHIRN ................................................................ 121 7.1.2 MODELL EINES NEURONS ..............................................................122 7.1.3 PERZEPTRON .................................................................................. 123 7.1.4 BACKPROPAGATION-NETZWERKE ...................................................125 7.2 DEEP CONVOLUTIONAL NEURAL NETWORKS ................................................. 127 7.2.1 CONVOLUTION-SCHICHT .................................................................. 128 7.2.2 POOLING-SCHICHT .........................................................................130 7.2.3 FULLY-CONNECTED-SCHICHT ............................................................ 131 7.3 DEEP REINFORCEMENT LEARNING ................................................................ 131 7.4 ANWENDUNG VON DEEP LEARNING ..............................................................132 7.4.1 SWEATY ........................................................................................ 133 7.4.2 AUDICUP .................................................................................... 134 7.4.3 DRLIMROBOCUP ..................................................................... 136 7.4.4 DEEP-LEARNING-FRAMEWORKS ..................................................... 137 7.4.5 STANDARDDATENSAETZE ..................................................................139 7.4.6 STANDARDMODELLE .......................................................................139 7.4.7 WEITERE ANWENDUNGEN ................... 140 7.5 FAZIT .......................................................................................................... 141 8 VON EINER BL-LANDSCHAFT ZUM DATA & ANALYTICS-OEKOSYSTEM 143 MICHAEL ZIMMER * BENJAMIN DIEMANN * ANDREAS HOLZHAMMER 8.1 EINLEITUNG ................................................................................................. 143 8.2 KOMPONENTEN ANALYTISCHER OEKOSYSTEME ...............................................144 8.3 VOM REPORTING ZUR INDUSTRIALISIERTEN DATA SCIENCE ............................. 147 8.4 DATA SCIENCE UND AGILITAET ......................................................................... 151 8.5 ENTWICKLUNGS-, TEST- UND PRODUKTIONSUMGEBUNGEN FUER DATA SCIENCE ........................................................................................ 151 8.6 VOM SPIELPLATZ FUER INNOVATION ZUR SERIENFERTIGUNG ............................. 154 8.7 ANWENDUNGSBEISPIEL ................................................................................156 8.8 FAZIT .......................................................................................................... 159 INHALTSVERZEICHNIS XV 9 SELF-SERVICE UND GOVERNANCE IM DATA-SCIENCE-UMFELD: DER EMANZIPIERTE ANWENDER 161 UWE HANEKE * MICHAEL ZIMMER 9.1 EINLEITUNG .............................................................................................. 161 9.2 SELF-SERVICE-ANGEBOTE FUER DATA & ANALYTICS ..................................... 163 9.3 DATA GOVERNANCE UND SELF-SERVICE ..................................................... 165 9.4 SELF-SERVICE-DATENAUFBEREITUNG UND DATA SCIENCE ............................. 167 9.5 SELF-SERVICE-DATENAUFBEREITUNG VS. ETL ............................................ 170 9.6 BIMODALE DATA & ANALYTICS: SEGEN ODER FLUCH? ............................... 172 9.7 ENTWICKLUNGEN IM SELF-SERVICE-BEREICH .............................................. 174 9.7.1 AUTOML ALS DATA-SCIENTIST-ERSATZ? ..................................... 174 9.7.2 AUGMENTED ANALYTICS ........................................... 175 9.8 FAZIT ....................................................................................................... 176 10 DATAPRIVACY 177 VICTORIA KAYSER * DAMIR ZUBOVIC 10.1 DIE ROLLE VON DATA PRIVACY FUER ANALYTICS UND BIG DATA .................. 177 10.2 RECHTLICHE UND TECHNISCHE AUSGESTALTUNG VON DATA PRIVACY ........... 179 10.2.1 RECHTLICHE BESTIMMUNGEN ZU DATA PRIVACY ........................ 179 10.2.2 TECHNISCHE UND METHODISCHE ANSAETZE ZUR SCHAFFUNG VON DATA PRIVACY .................................................................. 180 10.3 DATA PRIVACY IM KONTEXT DES ANALYTICS LIFECYCLE ............................. 182 10.3.1 IDEEN GENERIEREN .................................................................... 183 10.3.2 PROTOTYPEN ENTWICKELN ......................................................... 184 10.3.3 IMPLEMENTIEREN DER LOESUNG ................................................ 185 10.4 DISKUSSION UND FAZIT .......................................................................... 187 11 GESPRAECH ZUR DIGITALEN ETHIK 191 MATTHIAS HAUN * GERNOT MEIER XVI INHALTSVERZEICHNIS FALLSTUDIEN 211 12 CUSTOMER CHURN MIT KERAS/T ENSORFLOW UND H2O 213 SHIRIN GLANDER 12.1 WAS IST CUSTOMER CHURN? ....................................................................... 213 12.1.1 WIE KANN PREDICTIVE ANALYTICS BEI DEM PROBLEM HELFEN? . . . 214 12.1.2 WIE KOENNEN WIR CUSTOMER CHURN VORHERSAGEN? .................... 215 12.2 FALLSTUDIE ................................................................................................... 215 12.2.1 DER BEISPIELDATENSATZ ................................................................ 216 12.2.2 VORVERARBEITUNG DER DATEN ....................................................... 219 12.2.3 NEURONALE NETZE MIT KERAS UND TENSORFLOW ........................ 220 12.2.4 STACKED ENSEMBLES MIT H2O ................................................... 222 12.3 BEWERTUNG DER CUSTOMER-CHURN-MODELLE ............................................ 223 12.3.1 KOSTEN-NUTZEN-KALKULATION ..................................................... 224 12.3.2 ERKLAERBARKEIT VON CUSTOMER-CHURN-MODELLEN ...................... 226 12.4 ZUSAMMENFASSUNG UND FAZIT .................................................................. 228 13 WIRTSCHAFTLICHKEITSBETRACHTUNG BEI DER AUSWAHL & ENTWICKLUNG VON DATA SCIENCE 229 EINE FALLSTUDIE IM ONLINE-LEBENSMITTELEINZELHANDEL NICOLAS MARCH 13.1 HERAUSFORDERUNGEN IN DER PRAXIS ............................................................ 229 13.1.1 DATA-SCIENCE-ANWENDUNGEN IM ONLINE-LEH ........................ 229 13.1.2 AUSWAHL UND UMSETZUNG WIRTSCHAFTLICHER ANWENDUNGSFAELLE ...................................................................... 230 13.2 FALLSTUDIE: KAUFEMPFEHLUNGSSYSTEME IM ONLINE-LEBENSMITTELEINZELHANDEL ............................................................ 234 13.2.1 VORABANALYSEN ZUR PLATZIERUNG VON EMPFEHLUNGEN ............. 235 13.2.2 PROTOTYPISCHE ENTWICKLUNG EINES EMPFEHLUNGSALGORITHMUS ......................................................... 236 13.2.3 MVP UND TESTGETRIEBENE ENTWICKLUNG DER RECOMMENDATION ENGINE ................................................... 237 13.3 FAZIT .......................................................................................................... 238 INHALTSVERZEICHNIS XVII 14 ANALYTICS IM ONLINEHANDEL 239 MIKIO BRAUN 14.1 EINLEITUNG .............................................................................................. 239 14.2 MASCHINELLES LERNEN: VON DER UNI ZU UNTERNEHMEN ......................... 241 14.3 WIE ARBEITEN DATA SCIENTISTS UND PROGRAMMIERER ZUSAMMEN? ......... 243 14.4 ARCHITEKTURMUSTER, UM MASCHINELLE LERNMETHODEN PRODUKTIV ZU NEHMEN ........................................................................... 248 14.4.1 ARCHITEKTURMUSTER DES MASCHINELLEN LERNENS ...................... 248 14.4.2 ARCHITEKTURMUSTER, UM MODELLE AUSZULIEFERN ...................... 249 14.4.3 DATENVORVERARBEITUNG UND FEATURE-EXTRAKTION .................. 250 14.4.4 AUTOMATION UND MONITORING ................................................ 252 14.4.5 INTEGRATIONSMUSTER FUER MASCHINELLES LERNEN ........................ 252 14.5 WAS KANN MAN SONST AUF FIRMENEBENE TUN, UM DATA SCIENCE ZU UNTERSTUETZEN? ................................................................................... 253 14.6 FAZIT ....................................................................................................... 254 15 PREDICTIVE MAINTENANCE 255 MARCO HUBER 15.1 EINLEITUNG .............................................................................................. 255 15.2 WAS IST INSTANDHALTUNG? ...................................................................... 257 15.2.1 FOLGEN MANGELHAFTER INSTANDHALTUNG ................................... 258 15.2.2 WETTBEWERBSFAEHIGE PRODUKTION ............................................ 259 15.3 INSTANDHALTUNGSSTRATEGIEN .................................................................... 260 15.3.1 REAKTIVE INSTANDHALTUNG ....................................................... 261 15.3.2 VORBEUGENDE INSTANDHALTUNG ................................................ 261 15.3.3 VORAUSSCHAUENDE INSTANDHALTUNG (PREDICTIVE MAINTENANCE) ....................................................... 262 15.4 PROZESSPHASEN DER VORAUSSCHAUENDEN INSTANDHALTUNG ...................... 263 15.4.1 DATENERFASSUNG UND -UEBERTRAGUNG ........................................ 264 15.4.2 DATENANALYSE UND VORHERSAGE .............................................. 265 15.4.2.1 UNUEBERWACHTEVERFAHREN ..................................... 266 15.4.2.2 UEBERWACHTE VERFAHREN .......................................... 268 15.4.3 PLANUNG UND AUSFUEHRUNG ....................................................... 269 XVIII INHALTSVERZEICHNIS 15.5 FALLBEISPIELE ............................................................................................... 270 15.5.1 HEIDELBERGER DRUCKMASCHINEN ................................................. 270 15.5.2 VERSCHLEISSMESSUNG BEI EINEM WERKZEUGMASCHINENHERSTELLER ................................................. 272 15.5.3 VORAUSSCHAUENDE INSTANDHALTUNG IN DER IT ............................ 273 15.6 FAZIT .......................................................................................................... 274 16 SERUM IN DATA-SCIENCE-PROJEKTEN 275 CAROLINE KLEIST * OLAF PIER 16.1 EINLEITUNG ................................................................................................. 275 16.2 KURZUEBERBLICK SERUM ............................................................................... 276 16.3 DATA-SCIENCE-PROJEKTE IN DER PRAXIS ....................................................... 278 16.4 DER EINSATZ VON SERUM IN DATA-SCIENCE-PROJEKTEN ............................... 280 16.4.1 EIGENE ADAPTION ......................................................................... 281 16.4.2 REALISIERTE VORTEILE .................................................................... 284 16.4.3 HERAUSFORDERUNGEN .................................................................. 291 16.5 EMPFEHLUNGEN .......................................................................................... 296 16.6 FAZIT ..........................................................................................................301 17 DER ANALYTICS-BEITRAG ZU EINER ADDED-VALUE-STRATEGIE 303 AM BEISPIEL EINES KUNDENKARTENUNTERNEHMENS MATTHIAS MEYER 17.1 GESCHAEFTSMODELL EINES MULTIPARTNERPROGRAMMS ................................... 303 17.2 KUNDENBINDUNG UND KUNDENBINDUNGSINSTRUMENTE ............................. 303 17.3 FUNKTIONEN UND SERVICES EINES MULTIPARTNERPROGRAMMBETREIBERS . . . 306 17.3.1 FUNKTIONEN .................................................................................. 306 17.3.2 SERVICES UND VORTEILE AUS NUTZER- UND AUS PARTNERPERSPEKTIVE ................................................................. . 307 17.4 KONKRETE HERAUSFORDERUNGEN DES BETRACHTETEN MULTIPARTNERPROGRAMMBETREIBERS ......................................................... 308 17.5 ADDED-VALUE-STRATEGIE ............................................................................. 309 17.5.1 HINTERGRUND UND ZIELSETZUNG ................................................... 309 17.5.2 AUSGANGSPUNKT DATENBASIS ....................................................... 310 17.6 PILOTIERUNG AUSGEWAEHLTER ANALYTICS-ANSAETZE ..........................................311 17.6.1 ANALYTISCHE ANSATZPUNKTE .......................................................311 17.6.2 PILOTIERUNG .................................................................................. 312 17.7 FAZIT .......................................................................................................... 316 INHALTSVERZEICHNIS XIX 18 KUENSTLICHE INTELLIGENZ BEI DER ZURICH VERSICHERUNG - ANWENDUNGEN UND BEISPIELE 317 MICHAEL ZIMMER * JOERG NARR * ARIANE HORBACH * MARKUS HATTERSCHEID 18.1 HERAUSFORDERUNGEN INNERHALB DER VERSICHERUNGSBRANCHE ............... 317 18.2 KI BEI DER ZURICH VERSICHERUNG .......... 319 18.3 ANWENDUNGSFAELLE ................................................................................. 320 18.3.1 ANALYSE VON LEISTUNGSINFORMATIONEN MITHILFE VON MEDEYE 320 18.3.2 BILDERKENNUNG IM ANTRAGSPROZESS DER MOTORFAHRZEUGVERSICHERUNG IN DER SCHWEIZ ...................... 323 18.3.3 BETRUGSERKENNUNG IM KFZ-BEREICH ........................................ 325 18.3.4 VERBESSERUNG DER KUNDENINTERAKTION UND DES KUNDENMANAGEMENTS MIT DEN SWISS PLATFORM FOR ANALYTICAL AND COGNITIVE ENTERPRISE (SPACE) SERVICES . . . 326 18.4 FAZIT ....................................................................................................... 329 ANHANG 331 A AUTOREN 333 B ABKUERZUNGEN 341 C LITERATURVERZEICHNIS 345 INDEX 367
any_adam_object	1
author2	Haneke, Uwe 1964- Trahasch, Stephan Zimmer, Michael 1981- Felden, Carsten 1969-
author2_role	edt edt edt edt
author2_variant	u h uh s t st m z mz c f cf
author_GND	(DE-588)122150546 (DE-588)1079608842 (DE-588)1034088351 (DE-588)1020725702
author_facet	Haneke, Uwe 1964- Trahasch, Stephan Zimmer, Michael 1981- Felden, Carsten 1969-
building	Verbundindex
bvnumber	BV047176153
classification_rvk	QP 345 QH 500 ST 530
ctrlnum	(OCoLC)1242730949 (DE-599)DNB1222298732
discipline	Informatik Wirtschaftswissenschaften
edition	2., überarbeitete und erweiterte Auflage
format	Book
fullrecord	<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>03201nam a22006738c 4500</leader><controlfield tag="001">BV047176153</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20221107 </controlfield><controlfield tag="007">t\|</controlfield><controlfield tag="008">210304s2021 gw a\|\|\| \|\|\|\| 00\|\|\| ger d</controlfield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">20,N49</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1222298732</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783864908224</subfield><subfield code="c">: circa EUR 59.90 (DE), circa EUR 61.60 (AT)</subfield><subfield code="9">978-3-86490-822-4</subfield></datafield><datafield tag="024" ind1="3" ind2=" "><subfield code="a">9783864908224</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1242730949</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1222298732</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield><subfield code="e">rda</subfield></datafield><datafield tag="041" ind1="0" ind2=" "><subfield code="a">ger</subfield></datafield><datafield tag="044" ind1=" " ind2=" "><subfield code="a">gw</subfield><subfield code="c">XA-DE-BW</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-20</subfield><subfield code="a">DE-860</subfield><subfield code="a">DE-92</subfield><subfield code="a">DE-355</subfield><subfield code="a">DE-N2</subfield><subfield code="a">DE-1049</subfield><subfield code="a">DE-1043</subfield><subfield code="a">DE-898</subfield><subfield code="a">DE-Aug4</subfield><subfield code="a">DE-29T</subfield><subfield code="a">DE-1102</subfield><subfield code="a">DE-859</subfield><subfield code="a">DE-739</subfield><subfield code="a">DE-703</subfield><subfield code="a">DE-11</subfield><subfield code="a">DE-M347</subfield><subfield code="a">DE-573</subfield><subfield code="a">DE-573n</subfield><subfield code="a">DE-706</subfield><subfield code="a">DE-384</subfield><subfield code="a">DE-473</subfield><subfield code="a">DE-858</subfield><subfield code="a">DE-1052</subfield><subfield code="a">DE-83</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">QP 345</subfield><subfield code="0">(DE-625)141866:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">QH 500</subfield><subfield code="0">(DE-625)141607:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 530</subfield><subfield code="0">(DE-625)143679:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Data Science</subfield><subfield code="b">Grundlagen, Architekturen und Anwendungen</subfield><subfield code="c">Uwe Haneke, Stephan Trahasch, Michael Zimmer, Carsten Felden (Hrsg.)</subfield></datafield><datafield tag="250" ind1=" " ind2=" "><subfield code="a">2., überarbeitete und erweiterte Auflage</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Heidelberg</subfield><subfield code="b">dpunkt.verlag</subfield><subfield code="c">2021</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">xix, 371 Seiten</subfield><subfield code="b">Illustrationen, Diagramme</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="490" ind1="0" ind2=" "><subfield code="a">Edition TDWI</subfield></datafield><datafield tag="500" ind1=" " ind2=" "><subfield code="a">Literaturverzeichnis: Seite 345-365</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Big Data</subfield><subfield code="0">(DE-588)4802620-7</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Business Intelligence</subfield><subfield code="0">(DE-588)4588307-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Data Mining</subfield><subfield code="0">(DE-588)4428654-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Künstliche Intelligenz</subfield><subfield code="0">(DE-588)4033447-8</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Data Science</subfield><subfield code="0">(DE-588)1140936166</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="655" ind1=" " ind2="7"><subfield code="0">(DE-588)4143413-4</subfield><subfield code="a">Aufsatzsammlung</subfield><subfield code="2">gnd-content</subfield></datafield><datafield tag="655" ind1=" " ind2="7"><subfield code="0">(DE-588)4151278-9</subfield><subfield code="a">Einführung</subfield><subfield code="2">gnd-content</subfield></datafield><datafield tag="689" ind1="0" ind2="0"><subfield code="a">Data Science</subfield><subfield code="0">(DE-588)1140936166</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="1"><subfield code="a">Big Data</subfield><subfield code="0">(DE-588)4802620-7</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="2"><subfield code="a">Business Intelligence</subfield><subfield code="0">(DE-588)4588307-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="3"><subfield code="a">Data Mining</subfield><subfield code="0">(DE-588)4428654-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="689" ind1="1" ind2="0"><subfield code="a">Data Mining</subfield><subfield code="0">(DE-588)4428654-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="1"><subfield code="a">Business Intelligence</subfield><subfield code="0">(DE-588)4588307-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="2"><subfield code="a">Künstliche Intelligenz</subfield><subfield code="0">(DE-588)4033447-8</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Haneke, Uwe</subfield><subfield code="d">1964-</subfield><subfield code="0">(DE-588)122150546</subfield><subfield code="4">edt</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Trahasch, Stephan</subfield><subfield code="0">(DE-588)1079608842</subfield><subfield code="4">edt</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Zimmer, Michael</subfield><subfield code="d">1981-</subfield><subfield code="0">(DE-588)1034088351</subfield><subfield code="4">edt</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Felden, Carsten</subfield><subfield code="d">1969-</subfield><subfield code="0">(DE-588)1020725702</subfield><subfield code="4">edt</subfield></datafield><datafield tag="710" ind1="2" ind2=" "><subfield code="a">Dpunkt.Verlag (Heidelberg)</subfield><subfield code="0">(DE-588)6085529-0</subfield><subfield code="4">pbl</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, PDF</subfield><subfield code="z">978-3-96910-152-0</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, EPUB</subfield><subfield code="z">978-3-96910-153-7</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, MOBI</subfield><subfield code="z">978-3-96910-154-4</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">X:MVB</subfield><subfield code="q">text/html</subfield><subfield code="u">http://deposit.dnb.de/cgi-bin/dokserv?id=cc9bfc7bd0da4a0180f0d43c2dd49618&prov=M&dok_var=1&dok_ext=htm</subfield><subfield code="3">Inhaltstext</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">DNB Datenaustausch</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032581533&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="943" ind1="1" ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-032581533</subfield></datafield></record></collection>
genre	(DE-588)4143413-4 Aufsatzsammlung gnd-content (DE-588)4151278-9 Einführung gnd-content
genre_facet	Aufsatzsammlung Einführung
id	DE-604.BV047176153
illustrated	Illustrated
indexdate	2024-12-20T19:11:54Z
institution	BVB
institution_GND	(DE-588)6085529-0
isbn	9783864908224
language	German
oai_aleph_id	oai:aleph.bib-bvb.de:BVB01-032581533
oclc_num	1242730949
open_access_boolean
owner	DE-20 DE-860 DE-92 DE-355 DE-BY-UBR DE-N2 DE-1049 DE-1043 DE-898 DE-BY-UBR DE-Aug4 DE-29T DE-1102 DE-859 DE-739 DE-703 DE-11 DE-M347 DE-573 DE-573n DE-706 DE-384 DE-473 DE-BY-UBG DE-858 DE-1052 DE-83
owner_facet	DE-20 DE-860 DE-92 DE-355 DE-BY-UBR DE-N2 DE-1049 DE-1043 DE-898 DE-BY-UBR DE-Aug4 DE-29T DE-1102 DE-859 DE-739 DE-703 DE-11 DE-M347 DE-573 DE-573n DE-706 DE-384 DE-473 DE-BY-UBG DE-858 DE-1052 DE-83
physical	xix, 371 Seiten Illustrationen, Diagramme
publishDate	2021
publishDateSearch	2021
publishDateSort	2021
publisher	dpunkt.verlag
record_format	marc
series2	Edition TDWI
spellingShingle	Data Science Grundlagen, Architekturen und Anwendungen Big Data (DE-588)4802620-7 gnd Business Intelligence (DE-588)4588307-5 gnd Data Mining (DE-588)4428654-5 gnd Künstliche Intelligenz (DE-588)4033447-8 gnd Data Science (DE-588)1140936166 gnd
subject_GND	(DE-588)4802620-7 (DE-588)4588307-5 (DE-588)4428654-5 (DE-588)4033447-8 (DE-588)1140936166 (DE-588)4143413-4 (DE-588)4151278-9
title	Data Science Grundlagen, Architekturen und Anwendungen
title_auth	Data Science Grundlagen, Architekturen und Anwendungen
title_exact_search	Data Science Grundlagen, Architekturen und Anwendungen
title_full	Data Science Grundlagen, Architekturen und Anwendungen Uwe Haneke, Stephan Trahasch, Michael Zimmer, Carsten Felden (Hrsg.)
title_fullStr	Data Science Grundlagen, Architekturen und Anwendungen Uwe Haneke, Stephan Trahasch, Michael Zimmer, Carsten Felden (Hrsg.)
title_full_unstemmed	Data Science Grundlagen, Architekturen und Anwendungen Uwe Haneke, Stephan Trahasch, Michael Zimmer, Carsten Felden (Hrsg.)
title_short	Data Science
title_sort	data science grundlagen architekturen und anwendungen
title_sub	Grundlagen, Architekturen und Anwendungen
topic	Big Data (DE-588)4802620-7 gnd Business Intelligence (DE-588)4588307-5 gnd Data Mining (DE-588)4428654-5 gnd Künstliche Intelligenz (DE-588)4033447-8 gnd Data Science (DE-588)1140936166 gnd
topic_facet	Big Data Business Intelligence Data Mining Künstliche Intelligenz Data Science Aufsatzsammlung Einführung
url	http://deposit.dnb.de/cgi-bin/dokserv?id=cc9bfc7bd0da4a0180f0d43c2dd49618&prov=M&dok_var=1&dok_ext=htm http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032581533&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA
work_keys_str_mv	AT hanekeuwe datasciencegrundlagenarchitekturenundanwendungen AT trahaschstephan datasciencegrundlagenarchitekturenundanwendungen AT zimmermichael datasciencegrundlagenarchitekturenundanwendungen AT feldencarsten datasciencegrundlagenarchitekturenundanwendungen AT dpunktverlagheidelberg datasciencegrundlagenarchitekturenundanwendungen

Verfügbarkeit

‌

Inhaltsverzeichnis