Data Science Management : Vom ersten Konzept bis zur Governance datengetriebener Organisationen.

Format:

Book

Author/Creator:

Hebing, Marcel, author.

Contributor:

Manhembué, Martin.

Language:

German

Subjects (All):

Big data.

Data protection.

Physical Description:

1 online resource (308 pages)

Edition:

1st ed.

Place of Publication:

Heidelberg : o'Reilly, 2024.

Summary:

Der umfassende Leitfaden für das Managen von Data-Science-Projekten für Studium und Beruf - Themenspektrum: Designen von Projekten, Datenverarbeitung, Analysemethoden, Rolle und Aufgaben von Data Science Manager:innen, Kommunikation mit Stakeholdern, Automatisierung, MLOps, Governance - Inklusive konkreter Toolsets wie z.B. Softwarepakete, Checklisten, Projekt-Canvases sowie Übersichten über bewährte Methoden - Die Autoren sind Professoren für Data Science bzw. Data Science Management an der Digital Business University of Applied Sciences und Startup-GründerViele Data-Science-Vorhaben scheitern an organisatorischen Hürden: Oftmals ist die Rolle des Managements in diesen Projekten nicht klar definiert, zudem gibt es unterschiedliche Vorstellungen, wie gutes Projektmanagement für Data-Science-Produkte aussehen muss. Dieser praxisorientierte Leitfaden unterstützt Sie beim erfolgreichen Management von Data-Science-Projekten jeder Größe. Sie erfahren zunächst, wie Datenanalysen durchgeführt werden und welche Tools hierfür infrage kommen. Marcel Hebing und Martin Manhembué zeigen dann Wege auf, wie Sie Projekte entlang des Data-Science-Lifecycles planen und eine datengetriebene Organisationskultur implementieren. Dabei wird die Rolle von Data-Science-Managerinnen und -Managern im Kontext eines modernen Leaderships beleuchtet und der Aufbau von Datenanalyse-Teams beschrieben. Jeder Themenbereich wird ergänzt durch Hands-on-Kapitel, die Toolsets und Checklisten für die Umsetzung in die Praxis enthalten. Themen des Buchs: - Data-Science-Grundlagen: Designen von Projekten, Datenformate und Datenbanken, Datenaufbereitung, Analysemethoden aus Statistik und Machine Learning - Management von Data-Science-Projekten: Grundlagen des Projektmanagements, typische Fallstricke, Rolle und Aufgaben des Managements, Data-Science-Teams, Servant und Agile Leadership, Kommunikation mit Stakeholdern - Infrastruktur und Architektur: Automatisierung, IT-Infrastruktur, Data-Science-Architekturen, DevOps und MLOps - Governance und Data-driven Culture: Digitale Transformation, Implementierung von Data Science im Unternehmen, Sicherheit und Datenschutz, New Work, Recruiting.

Contents:

Intro

Impressum

Inhalt

Einleitung: Ein Handbuch zum Management von Data Science

Für wen ist dieses Buch besonders geeignet?

Was ist Data-Science-Management?

Warum brauchen Unternehmen Data-Science- Management?

Wie arbeitet man mit diesem Buch?

Wie alles begann oder: der Aufstieg der Digital Economy

Danksagung

TEIL I: Data-Science-Grundlagen

Kapitel 1: Eine Einführung in Data Science aus Projektsicht

Verlauf eines Data-Science-Projekts (Prozessmodell)

Von einfachen Analysen zur Automatisierung (Analytics Continuum)

Welche Kompetenzen brauchen wir in einem Data-Science-Projekt?

Kapitel 2: Wie wir über Daten sprechen

Strukturierte Daten

Semistrukturierte Daten

Unstrukturierte Daten

Skalenniveaus und besondere Datenformate

Verschiedene Aspekte der Qualität von Daten

Big Data und Smart Data

Kapitel 3: Datenbeschaffung und -aufbereitung

Datenquellen und Datenerhebung

Datenzugriff ist nicht nur eine technische Angelegenheit

Integration und Aufbereitung verschiedener Datenquellen

Trainings- und Testdaten für das Training von Machine-Learning-Algorithmen

Feature Engineering

Kapitel 4: Deskriptive Analysen

Univariate Basisstatistiken und Kennzahlen

Bivariate Darstellungen und Korrelationen

Visualisierung von Daten

Explorative Datenanalyse (EDA)

Kapitel 5: Modellbildung in der klassischen Statistik

Grundgesamtheiten und Stichproben

Die Regressionsanalyse als Beispiel für ein erklärendes Modell

Wie funktioniert eine Regressionsanalyse aus mathematischer Sicht?

Die Flexibilität der Regressionsanalyse

Spezielle Anwendungsfälle: Zeitreihenanalyse und Vorhersagen

Kapitel 6: Vorhersagen im Machine Learning

Supervised Learning

Regressionsanalyse

Entscheidungsbäume

K-Nearest-Neighbors

Datenqualität und verwandte Herausforderungen.

Unsupervised Learning

Dimensionsreduktion

Clusteranalyse

Deep Learning, Reinforcement Learning und neuronale Netze

Predictive, Prescriptive, Automation

Kapitel 7: Aufbereitung der Ergebnisse für die weitere Verwendung

Dokumentation, Wiederverwendung und Replizierbarkeit

Reporting

Statischer Report

Dashboards

Storytelling und visuelle Kommunikation mit Daten

Mehrwert von Daten im Unternehmen

Impact, Evaluation und Feedback

Kapitel 8: Aspekte einer Basisinfrastruktur

Datenformate und Datenbanken

Plain Text

Binary Files

SQL-Datenbanken

NoSQL

Datenverarbeitung und Analyse

Collaboration und Arbeit in der Cloud

Kapitel 9: Hands-on: Beispielprojekt

Studiendesign

Datenbeschaffung und -aufbereitung

Analyse der Daten

Dokumentation und Reporting

Handlungsempfehlung (Impact)

TEIL II: Data-Science-Management

Kapitel 10: Fallstricke für Data-Science-Projekte

Fallstricke in Technologie und Infrastruktur

Data Engineering wird unterschätzt

Datensilos

Fallstricke in der Modellierung

Zu komplexe Modelle

Fluch der Dimensionalität

Ausreißer

Fallstricke im Management

Law of Instrument

Zu viel, zu früh

Unklare Ziele

Ein Projekt ist keine produktive Anwendung

Fehlende Skills und Data-Science-Kultur

Kapitel 11: Grundlagen des Projektmanagements

Klassisches Anforderungsmanagement

Agiles Management und Lean Mindset

Mehrwert und Kundenzentrierung

Kollaboration

Iteratives und inkrementelles Vorgehen

Kontinuierliche Verbesserung

Dezentralität und Selbstorganisation

PoC und MVP

Agiles Mindset

Erkenntnisse aus der agilen Praxis

Agiles Anforderungsmanagement

Zeit- und Ressourcenmanagement

Finanzielle Ressourcen

Zeitliche Ressourcen

Infrastrukturelle Ressourcen

Daten

Kontextualisierung und Kommunikation.

Team-Bubble

Kapitel 12: Data-Science-Teams

Funktionen von Teams

Teamstrukturen

Team of Teams und New Work

Verortung von Data-Science-Teams

Rollen und deren Aufgaben in Data-Science-Teams

Rollenverständnis nach methodischer Tiefe

Rollenverständnis nach Ausbildung und Interessen

Rollenverständnis nach Aufgaben

Rollen von Data Scientists

Data Scientists

Data Engineers

Fachexpertinnen und -experten

Software Engineers und DevOps Engineers

Machine Learning Engineers und MLOps Architects

Model-Risk-Managerinnen und -Managern

Softwarearchitektinnen und -architekten

Analystinnen und Analysten

Herausforderungen und Konflikte in Teams

Digitales Arbeiten und Remote Work

Zusammenarbeit und Kommunikation

Kapitel 13: Data-Science-Managerinnen und -Manager

Aufgaben und Fähigkeiten

Modernes Leadership

Servant Leadership

Agile Leadership

Shared Leadership

Impact durch Leadership

Coaching und Mentoring von Data Scientists

Kapitel 14: Hands-on: Empfohlenes Toolkit für das Data-Science-Management

Scrum

Kanban

Scrum oder Kanban nutzen?

Team Health Checks

AI Project Canvas

Checkliste Anforderungsmanagement

Problemfelder benennen

Herausforderungen ermitteln

Mehrwert beschreiben

TEIL III: Infrastruktur und Architektur

Kapitel 15: Automatisierung und Operationalisierung im kybernetischen Regelkreis

Das wissenschaftliche Vorgehen: Wissen iterativ weiterentwickeln und vertiefen

Proof-of-Concept-Projekte und Design Thinking

Operationalisierung und Evaluation von Zielen in laufenden Projekten

Der kybernetische Regelkreis

Cross Industry Standard Process for Data Mining (CRISP-DM)

Kapitel 16: Grundlagen der IT-Infrastruktur

Bausteine einer Softwareanwendung

Hardware: eigene Rechner vs. Cloud

Container und Microservices.

Platform-as-a-Service (PaaS) und Serverless

Software- und Data-Science-as-a-Service (SaaS/DSaaS)

Kapitel 17: Data-Science-Architekturen

Data Lake

Data Warehouse (DWH)

Weitere Optionen wie das Analytics Lab

Interaktive Visualisierung, EDA und Business Intelligence

Data Mesh

Kapitel 18: DevOps und MLOps: Entwicklung und Betrieb

Versionierung und Versionskontrolle

Continuous Integration and Delivery

Microservices und Application Programming Interfaces (APIs)

Testing und Monitoring

Betrieb von Machine-Learning-Modellen (DevOps und MLOps)

Kapitel 19: Hands-on: Modellierung von Software und Infrastruktur

Bestandsaufnahme im Event-Storming

Weiterentwicklung in der Business Process Model and Notation (BPMN)

Modellierung einer technischen Infrastruktur

Modellierung einer (relationalen) Datenbank

Regelkonformität

TEIL IV: Data Science Governance und Data-driven Culture

Kapitel 20: Digitale Transformation der Unternehmen

Strategischer Einsatz von Daten

Wettbewerbsvorteile durch Data Science

As-a-Service-Modelle

Kapitel 21: Implementierung im Unternehmen

Schritt 1: Ideenfindung

Wie findet man geeignete Anwendungsfälle?

Schritt 2: Proof-of-Concept

Schritt 3: Technische Implementierung

Schritt 4: Implementierung auf Bereichsebene

Schritt 5: Skalierung auf Unternehmensebene

Schritt 6: Verstetigung

Change Management

Datenmanagement

IT-Management

Kapitel 22: Sicherheit und Datenschutz

Safety

Security

Governance, Compliance und rechtliche Aspekte

Ethische Aspekte und Corporate Responsibility

Digitalpolitik

Kapitel 23: Digitale Kompetenzen und Data-Science-Kultur

New Work

Flexibilisierung der Arbeitsorganisation

Diversität und Kreativität

Netzwerkorganisationen und Leadership

Achtsamkeit und Gesundheit

Recruiting.

Upskilling und Reskilling

Entrepreneurship, Intrapreneurship und Innovation

Literacy, Enablement und Citizen Data Science

Grundpfeiler einer kreativen Umgebung

Kapitel 24: Hands-on: Toolkit für Strategie und Governance

Business Model Canvas

AI Canvas

Datenstrategie-Designkit

Kapitel 25: Schlüsselfaktoren für erfolgreiches Data-Science-Management

Data Scientists als Individuen

Wirtschaftlichkeit

Governance

Kultur

Infrastruktur

Projekte und Teams

Unternehmen und Strategie

Kolophon

Index.

Notes:

Description based on publisher supplied metadata and other sources.

ISBN:

3-96010-808-7

OCLC:

1419872054