David Edvardsson; Annica Backman; Karin Bölenius; Iréne Ericsson; Ulla Hällgren Graneheim; Qarin Lood; Kristina Lämås Studentlitteratur AB (2020) Pehmeäkantinen kirja
Richard B. Ferguson; Catello Pane; Kenneth A. Sudduth; David W. Franzen; Anne M. Denton Burleigh Dodds Science Publishing Limited (2023) Pehmeäkantinen kirja
B. Uma Shankar; Kuntal Ghosh; Deba Prasad Mandal; Shubhra Sankar Ray; David Zhang; Sankar K. Pal Springer International Publishing AG (2017) Pehmeäkantinen kirja
Shaneeta M. Johnson; Alia P. Qureshi; Andrew T. Schlussel; David Renton; Daniel B. Jones Springer International Publishing AG (2024) Pehmeäkantinen kirja
Mark M. Davis; Elaine Fuchs; Tony Hunter; Lily Yeh Jan; Yuh Nung Jan; Peter G. Schultz; Paul B. Sigler; David Weatherall John Wiley & Sons Inc (2000) Kovakantinen kirja
Monvadi B. Srichai; David P. Naidich; W.Richard Webb; Nestor Luiz Muller; Ioannis Vlahos; Glenn A. Krinsky Lippincott Williams and Wilkins (2006) Kovakantinen kirja
Paul M. Griffin; Harriet B. Nembhard; Christopher J. DeFlitch; Nathaniel D. Bastian; Hyojung Kang; David A. Munoz John Wiley & Sons Inc (2016) Kovakantinen kirja
David H. Barlow; Todd J. Farchione; Shannon Sauer-Zavala; Heather Murray Latin; Kristen K. Ellard; Jacqueline R. Bullis Oxford University Press Inc (2018) Pehmeäkantinen kirja
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
