Greiner / Berger / Böck Analytics und Artificial Intelligence

Datenprojekte mehrwertorientiert, agil und nachhaltig planen und umsetzen
1. Auflage 2022
ISBN: 978-3-658-38159-2
Verlag: Springer
Format: PDF
Kopierschutz: 1 - PDF Watermark

E-Book, Deutsch, 269 Seiten, eBook

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 Erfolgsfaktoren
• Vom Design Thinking zum Data Thinking – wie Design Thinking Datenprojekte besser macht
• Artificial Intelligence – wie Künstliche Intelligenz mehrwertorientiert in Data Analytics eingesetzt werden kann
• Ethische, rechtliche und ökologische Implikationen – wie Data Analytics und AI doch kein Schreckgespenst werden
• Der Data Value Loop - Datenmehrwert agil und nutzer:innenzentriert
• Analytics in der Praxis – von der Konzeption über Tracking und Reporting bis zum Arbeitsmeeting im Alltag
• AI in der Praxis - Data Science und Agile, geht das überhaupt zusammen? Zwei exemplarische Projektdurchführungen
• Glossar

Zielgruppe

Professional/practitioner

Autoren/Hrsg.

Greiner, Ramona

Berger, David

Böck, Matthias

Inhaltsverzeichnis

1. Agile Basics1.1. Agil ist überall1.2. Wie alles begann: Eine kurze Geschichte von Agile1.3. Agile Prinzipien als Erfolgsfaktoren1.3.1. Reduzierte Time-to-Market & Iteration1.3.2. Fokus1.3.3. Priorisierung1.3.4. Inspect & Adapt1.3.5. Transparenz1.3.6. Autonomie und Selbstorganisation1.3.7. Agile Erfolgsfaktoren im Zusammenspiel1.4. Agile = Scrum, oder etwa nicht?1.4.1. Rugby und Wissensmanagement1.4.2. Was ist Scrum?1.4.3. Scrum vs. Agile1.4.4. Mix and Match: Agile Kombinationen1.5. (Fr)Agil? Kritik an agilen Prozessen1.5.1. Buzzwords und Survivorship Bias1.5.2. Survival of the fittest und generationale Unterschiede1.5.3. Mangelnde Planung und Agile Literacy1.5.4. Funktionalität ? Wert: Brauchen wir ein Product Manifesto?1.5.5. Agile Lösungen für agile Probleme1.6. Warum Sie Ihre Analytics- und AI-Projekte agil angehen und umsetzen sollten1.6.1. VUCA? VUCA!1.6.2. Welche Projekte verlangen nach agilem Vorgehen?1.6.3. Agiles vs. klassisches Management1.6.4. Agile und der Planungshorizont2. Design Thinking und Data Thinking2.1. Schlaflose Nächte und echter Mehrwert – Warum Design Thinking und für wen?2.1.1. Stakeholder2.1.2. Geschäftsziele und Unternehmensstruktur2.1.3. User-Centricity und Human-Centricity2.1.4. Messbarer Mehrwert2.2. Was ist Design Thinking?2.2.1. Die Phasen2.2.2. Design Sprints – oder: In fünf Tagen zum Erfolg2.3. Data Thinking und der Double Diamond2.3.1. Der Double Data Diamond2.3.2. Data Hoarding und das Shiny-New-Object-Syndrom2.4. Verbindung von agilen Methoden und Design Thinking3. Artificial Intelligence3.1. Der Data-Handshake: AI und ihre Verwandten3.2. Deep Dive ML: Algorithmen, Modelle und ihre Anwendung3.2.1. Klassen vs. Labels3.2.2. Trainingsdaten vs. Testdaten3.2.3. Bewertung von Modellen3.2.4. Vorhersagen3.2.5. Supervised, Unsupervised und Reinforcement Learning3.2.6. Deep Learning3.2.7. Modell-Maintenance: MLOps3.3. Starke und schwache AI3.4. Gibt es AI ohne Analytics?3.5 Künstliche Intelligenz und ihre Herausforderungen in der Praxis - Gastbeitrag von Matthis Eicher3.51 Motivation zur Nutzung von KI3.52 Daten und deren Eignung für Machine Learning3.53 Use-Cases und Metriken3.54 Erwartungshaltungen in iterativen Entwicklungen3.56 Generalisierung von Künstlicher Intelligenz3.57 Fazit und mögliche Lösungen4. Ethische, rechtliche und ökologische Implikationen4.1. Schreckgespenst Data Analytics?!4.1.1. Big Brother is watching you4.1.2. Die positiven Seiten4.1.3. Recht und Ethik bei Web- und App Analytics4.2. Schreckgespenst AI?!4.2.1. Risikofaktor Mensch4.2.2. Weitere Gefahren und Streitpunkte4.2.3. Kriterienkatalog für Ihre AI-Anwendung:4.3. Nachhaltige Daten und bessere Raten4.4 Daten für den guten Zweck – Ein Überblick - Gastbeitrag Alexander Merdian-Tarko4.41 Daten werden fast überall genutzt. Auch für den guten Zweck?4.42 Ein Flug über die „Data for Good“-Landschaft4.43 Möglichkeiten der Beteiligung und Mitgestaltung für Unternehmen und Individuen4.44 Nachhaltigkeit über den Hackday hinaus5. Der Data Value Loop5.1. Die Data Value Chain5.1.1. Datenerhebung5.1.2. Datenverarbeitung5.1.3. Datenanalyse5.1.4. Datenwertschöpfung5.2. Technologie-Stack und Daten5.2.1. Daten- und Tool-Landschaft als Gesamtsystem verstehen5.2.2. Aktuelle Trends und Entwicklungen5.2.3. Status quo der eigenen Datenlandschaft erheben5.2.4. Architekturentscheidungen treffen5.2.5. Make or Buy?5.3. Data-Driven Culture5.3.1. Data Literacy5.3.2. Data Governance5.4 Data meets Agile: Die Datenwertschöpfung als Iteration5.4.1. Reduzierte Time-to-Market & Iteration5.4.2. Fokus & Priorisierung5.4.3. Inspect & Adapt5.4.4. Transparenz, Autonomie und Selbstorganisation5.4.5. Der Data Value Loop: Datenmehrwert agil und nutzer:innenzentriert6. Analytics in der Praxis6.1. Konzeption – Wert definieren und übersetzen6.1.1. Anforderungsmanagement6.1.2. KPI und Kennzahlensysteme entwickeln6.1.3. Reporting-Konzept6.1.4. Solution Design Document & Data Mapping6.1.5. Tracking-Spezifikation6.2. Tracking – Daten erheben und bereitstellen6.2.1. Datensammlung6.2.2. Datenintegration6.2.3. Testing und Qualitätssicherung6.3. Reporting und Analyse6.3.1. Reporting6.3.2. Analyse6.3.3. Konfiguration des Analytics-Tools6.3.4. Tool-Akzeptanz6.4. Optimierung & Aktivierung6.5. Prozesse & Artefakte6.5.1. Meetings und Meeting-Kadenzen6.5.2. Arbeitsabläufe7. AI in der Praxis7.1. Data Science und Agile – geht das überhaupt zusammen?7.2. Exemplarische Projektdurchführung I – In drei Monaten zum Feedback-Analyse-Prototypen7.2.1. Thema Kund:innenfeedback7.2.2. Vorbereitung und mögliche Schwierigkeiten7.2.3. Projektdurchführung7.3. Exemplarische Projektdurchführung II – In sechs Monaten zum Pricing-Prototypen7.3.1. Vorgehen und Projektplanung7.3.2. Kickoff-Workshop und Interviews7.3.3. Projektablauf und Herausforderungen7.3.4. Fazit und Learnings7.4. AI-Praxis: Quo vadis?7.4.1. Text, Audio, Bild und Video – GPT bis Yolo7.4.2. Self-service Machine Learning: AutoML und Data-Science-Plattformen7.5 Die Bedeutung von Participatory Design für Anwendungen mit Künstlicher Intelligenz - Gastbeitrag von Prof. Dr. Doris Aschenbrenner7.51 Problembeschreibung7.52 Historische Antworten7.53 Sozio-technisches System und menschenzentrierte Entwicklung7.54 Menschenzentrierte KI7.55 Partizipative Gestaltung („Participatory Design“)7.56 Hands On7.57 Fazit: Nachhaltige TransformationsgestaltungZum Schluss: : In the future, everyone will be a data scientist for 15 minutes.Glossar

Über Autor(innen)

Dr. Ramona Greiner studierte Philosophie und Kunstgeschichte. Seit 2017 arbeitet sie als Digital Analytics und Data Ethics Consultant bei der Münchner Unternehmensberatung FELD M. Dort leitet sie internationale agile Kund:innenprojekte im Bereich Data & Analytics, hält Vorträge und Design-Thinking-Workshops und berät Kund:innen bei der ethischen wie rechtskonformen Datenerhebung und -nutzung. Mit Digitaler Ethik und der sozialen Gestaltung der Digitalisierung beschäftigt sie sich außerdem auf politischer Ebene.David Berger studierte Sportmanagement und Strategic Management mit dem Schwerpunkt Marketing, Innovation Management und Sustainable Development. Er ist zertifizierter Product Owner und hat mehrjährige Erfahrung in der Leitung von Data & Analytics Projekten für global agierende Kunden, wodurch er fundierte Expertise in der Konzeption und Umsetzung agiler Datenprojekte gesammelt hat. Er arbeitet in München als Berater für internationale Projekte im Bereich Business Strategy, Data-Driven Marketing und Business Transformation. 
Dr. Matthias Böck promovierte in Bioinformatik und Machine Learning und arbeitet seit 2013 als Data Scientist im Bereich Data Product bei der Münchner Unternehmensberatung FELD M. Dort ist er technischer Leiter für Projekte aus den Bereichen Advanced Analytics und Maschinelles Lernen. Dies beinhaltet u. a. Personalisierung, Natural Language Processing oder Vorhersagen sowie die zugrundeliegenden Datenarchitekturen und -strategien. Er hält Design-Thinking-Workshops und arbeitet mit Universitäten an Forschungsprojekten. Neben diesen Feldern beschäftigt er sich mit dem Thema Data for Good und dessen Einsatz in der Praxis.