Analytics und Artificial Intelligence | springerprofessional.de

Springer Professional

nach oben

2022 | Buch

Kapitel lesen Erstes Kapitel lesen

Analytics und Artificial Intelligence

Datenprojekte mehrwertorientiert, agil und nachhaltig planen und umsetzen

verfasst von: Ramona Greiner, David Berger, Matthias Böck

Verlag: Springer Fachmedien Wiesbaden

Enthalten in: Springer Professional "Wirtschaft+Technik" , Springer Professional "Technik" , Springer Professional "Wirtschaft"

Einloggen, um Zugang zu erhalten

Über dieses Buch

Die Autoren zeigen in diesem Buch, wie man für eigene Data-Science-Projekte mit Data Analytics und AI einen echten (Mehr-)Wert schafft. Sie entwickeln einen Leitfaden, mit dem Sie Ihre Datenanalyse systematisch, agil und nutzer:innenzentriert aufbauen und betreiben können. Zunächst machen die Autoren klar, wie wichtig es ist zu Beginn Ihrer Analytics-Projekte die für Ihr Geschäftsmodell richtigen und wertstiftenden Fragen zu stellen. Im Anschluss erläutern sie, wie Sie Technologien und Daten so einsetzen, dass sie einen echten Mehrwert erzeugen können. Schließlich zeigen sie, wie Sie die Projekte effektiv, effizient und gewinnbringend umsetzen können. Das Fundament dafür bilden agile Methoden und Design Thinking, die die Autoren für alltägliche Analytics- und Data-Science-Projekte überführt und adaptiert haben.Mit zahlreichen Beispielen und Erfahrungen aus Daten-, Web- und Digital-Analytics-Projekten sowie zwei realen Beispielen, wie man von der Idee und dem Auftrag zum Prototypen kommt.
Aus dem Inhalt Agile Basics: Agile Prinzipien und ErfolgsfaktorenVom Design Thinking zum Data Thinking – wie Design Thinking Datenprojekte besser machtArtificial Intelligence – wie Künstliche Intelligenz mehrwertorientiert in Data Analytics eingesetzt werden kannEthische, rechtliche und ökologische Implikationen – wie Data Analytics und AI doch kein Schreckgespenst werdenDer Data Value Loop - Datenmehrwert agil und nutzer:innenzentriertAnalytics in der Praxis – von der Konzeption über Tracking und Reporting bis zum Arbeitsmeeting im AlltagAI in der Praxis - Data Science und Agile, geht das überhaupt zusammen? Zwei exemplarische ProjektdurchführungenGlossar

Anzeige

Inhaltsverzeichnis

Frontmatter

1. Agile Basics

Zusammenfassung

Nicht nur die großen Buzzwords Big Data und AI haben sich in ihrer inflationären Verwendung in den letzten Jahren teilweise verselbstständigt. Auch Agile entwickelt im Bereich des Produkt- und Projektmanagements zunehmend ein Eigenleben. In diesem Kapitel erläutern wir, was Agile eigentlich ist, was es nicht ist sowie wann und warum sich ein agiles Vorgehen auch für Ihre künftigen Analytics- und AI-Projekte eignet. Ein grundlegendes Vorwissen um agile Prozesse erleichtert Ihnen das Verständnis dieses Kapitels, ist aber nicht zwingend notwendig. Wenn Sie noch nie von agilen Methoden und Denkansätzen gehört haben, empfehlen wir aber eine vertiefende Beschäftigung damit.

Ramona Greiner, David Berger, Matthias Böck

2. Design Thinking und Data Thinking

Zusammenfassung

Wie die Stacey-Matrix eindrücklich zeigt, brauchen wir in hochkomplexen Umfeldern Herangehensweisen, die mit Volatilität und multiplen Unsicherheiten umgehen können, um Fehlentwicklungen, unnötige Ausgaben und Geschäftseinbußen zu vermeiden. Design Thinking ist ein Ansatz, der bei diesen hochkomplexen Anforderungen eingesetzt wird und sich gemeinsam mit agilen Methoden zu einem erfolgsversprechenden Gesamtkonzept ergänzt: Design Thinking stellt dabei die Nutzer:innen oder – noch genereller gesprochen – den Menschen in den Mittelpunkt der Prozesse und Absichten und hilft Ihnen und Ihrem Unternehmen, die richtige Fragestellung zu finden, um einen echten Mehrwert zu liefern. Agile fokussiert sich währenddessen auf den Prozess, ein bestimmtes Ziel auf iterativem Weg zu erreichen und fortlaufend zu verbessern oder anzupassen.

Design Thinking ist dabei keine Erweiterung von Agile, sondern eine eigene Disziplin, die kreative und kollaborative Methoden zur Verfügung stellt, die vom tiefen Verstehen der Nutzer:innenbedürfnisse über die gemeinsame Ideenfindung und Priorisierung bis hin zur Definition und Umsetzung eines Prototypen reichen. Warum wir Design Thinking verwenden – vor allem in den Bereichen Analytics und AI – und für wen und welche Produkte es geeignet ist, wollen wir im Folgenden kurz darlegen.

Ramona Greiner, David Berger, Matthias Böck

3. Artificial Intelligence

Zusammenfassung

Artificial Intelligence ist in aller Munde und doch verstehen bisher die wenigsten Menschen ihre Funktionsweise, welche Technologien ihr zugrunde liegen und welche Fähigkeiten AI heute bereits besitzt – und, vor allem, welche nicht. In diesem Kapitel werden Machine Learning und Deep Learning als die für die Praxis entscheidenden Teildisziplinen der Artificial Intelligence erklärt, große AI-Mythen aufgelöst und ein grundlegendes begriffliches wie technisches Verständnis für die weitere Auseinandersetzung mit Artificial Intelligence und Data Science geschaffen.

Ramona Greiner, David Berger, Matthias Böck

4. Ethische, rechtliche und ökologische Implikationen

Zusammenfassung

Nach den vorangegangenen Kapiteln drängen sich ethische und rechtliche Fragen förmlich auf. Doch auch die ökologische Komponente muss im 21. Jahrhundert mitbedacht werden, wenn man der Kernfrage dieses Buchs nachgehen will: Wie schafft man mit Data Analytics und AI einen echten (Mehr-)Wert?

Ramona Greiner, David Berger, Matthias Böck

5. Der Data Value Loop

Zusammenfassung

Der Wert eines Datenprojekts wird nicht allein durch Daten oder AI generiert. Der Wert entsteht erst durch einen spezifischen Anwendungsfall (Use Case), der es uns ermöglicht, Wissen und Handlungen aus Daten mittels Analysen oder AI abzuleiten. Im Kap. 2 zu Design Thinking haben wir Methoden zum Identifizieren solcher Use Cases hinreichend beschrieben. Diese Use Cases können aber nur in einer entsprechenden Umgebung mit etablierten Prozessen ihre Wirkung entfalten oder überhaupt erst entdeckt und ausgearbeitet werden. Dabei ist ein mehrschrittiges Vorgehen notwendig und das wiederholte Durchlaufen des Prozesses sinnvoll. Im Data Value Loop laufen die Fäden einer konsekutiven Data Value Chain, der benötigten Technologie, einer datengetriebenen Kultur und von agilen Prozessen zusammen.

Ramona Greiner, David Berger, Matthias Böck

6. Analytics in der Praxis

Zusammenfassung

Mehrwert durch Daten kann nur dann sichergestellt werden, wenn man den erwarteten Nutzen klar definiert und sich gut überlegt, welche Daten in welcher Form helfen können, diesen zu erreichen. Methoden und Ansätze dafür haben wir vor allem im Kapitel zu Design Thinking erläutert. Bei der praktischen Umsetzung eines Analytics-Projekts ist es also von Anfang an notwendig, mit diesen strategischen und konzeptionellen Fragestellungen zu beginnen und sich über die Anforderungen im Detail bewusst zu werden. Gleichzeitig haben wir beim Data Value Loop gesehen, dass eigentlich immer „Anfang“ sein kann: Anforderungen entstehen fortlaufend und die einzelnen Phasen des Loops werden im agilsten Sinne immer wieder und teils parallel durchlaufen. In diesem Kapitel werden wir praxisnah beschreiben, worauf bei der agilen Umsetzung von Analytics-Projekten zu achten ist.

Ramona Greiner, David Berger, Matthias Böck

7. AI in der Praxis

Zusammenfassung

Aufbauend auf den Erkenntnissen des vorherigen Kapitels zu Analytics-Projekten und deren Umsetzung in der Praxis wollen wir in diesem Kapitel Beispiele aufzeigen, wie AI-Projekte sich durchführen lassen und wie hierbei die verschiedenen vorgestellten Methoden aus dem Buch ihre Anwendung finden. Während wir im vorangegangen Kapitel unterschiedliche Projektphasen und -bereiche generisch beschrieben haben und vereinzelt praxisnahe Beispiele einfließen ließen, werden wir dieses Kapitel hauptsächlich anhand tatsächlich durchgeführter, konkreter Projekte gestalten.

Ramona Greiner, David Berger, Matthias Böck

8. : In the future, everyone will be a data scientist for 15 minutes

Zusammenfassung

Frei nach Andy Warhol und seiner 1968 geäußerten, doppelbödigen Prophezeiung, jede:r sei in der Zukunft für 15 Minuten weltberühmt, wollen wir Ihnen kurz zusammenfassen, warum in jeder und jedem von uns ein Data Scientist schlummern sollte und was das mit diesem Buch zu tun hat.

Ramona Greiner, David Berger, Matthias Böck

Backmatter

Titel: Analytics und Artificial Intelligence
verfasst von: Ramona Greiner
David Berger
Matthias Böck
Copyright-Jahr: 2022
Verlag: Springer Fachmedien Wiesbaden
Electronic ISBN: 978-3-658-38159-2
Print ISBN: 978-3-658-38158-5
DOI: https://doi.org/10.1007/978-3-658-38159-2