Juan Carlos Augusto; Reiner Wichert; Rem Collier; David Keyson; Albert A. Salah; Ah-Hwee Tan Springer International Publishing AG (2013) Pehmeäkantinen kirja
Boris De Ruyter; Reiner Wichert; David V. Keyson; Panos Markopoulos; Norbert Streitz; Monica Divitini; Nikolao Georgantas Springer-Verlag Berlin and Heidelberg GmbH & Co. KG (2010) Pehmeäkantinen kirja
Ralf Bialek; Michael Borte; Johannes Forster; Ulrich Heininger; Johannes G. Liese; David Nadal; Reinhard Roos; Ho Scholz Thieme Georg Verlag (2013) Kovakantinen kirja
Daniel Lindmark; Olle Sundström; Carl Reinhold Bråkenhielm; Tore Johnsen; Björn Norlin; David Sjögren; Sylvia Sparrock Gidlunds förlag (2018) Pehmeäkantinen kirja
António Gaspar-Cunha; Jacques Periaux; Kyriakos C. Giannakoglou; Nicolas R. Gauger; Domenico Quagliarella; David Greiner Springer Nature Switzerland AG (2020) Kovakantinen 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
