Ursprünglich veröffentlicht am 25. Juni 2024.
Verfasst von: Anja Kaup (PR und Marketing Managerin) – anja.kaup@infocient.de
Dieses Buch ist ein Leitfaden für alle, die Datenanalyse- oder KI-Projekte effizient umsetzen möchten. Es bietet praktische Ansätze, um Datenanalyse systematisch und nutzerzentriert aufzubauen und zu betreiben. Das Autoren-Team betont die Bedeutung, zu Beginn der Projekte die richtigen Fragen zu stellen, Technologien und Daten sinnvoll einzusetzen und Projekte effektiv umzusetzen.
Ziel des Buches
Viele Firmen sammeln Daten, die sie letztlich nicht verwenden. Das bedeutet eine Verschwendung von Ressourcen, schließlich kostet das Sammeln und Speichern von Daten Geld und Energie. Ziel dieses Buches ist zu zeigen, wie Analytics und AI-Projekte wirtschaftlich und ressourcenschonend umgesetzt werden können.
Es möchte Strategien vermitteln, mit welchen Methoden die richtigen und wertstiftenden Fragen an das eigene Geschäftsmodell gestellt werden können und wie Technologien und Daten so eingesetzt werden können, dass sie echten Mehrwert generieren.
Zielgruppe des Buches
Das Autoren-Team möchte im Grunde jede und jeden darauf vorbereiten, sich in einer zunehmend digitalisierten, technologisierten und von Daten bestimmten Welt zurecht zu finden – beruflich wie privat. Alle müssten in Zukunft in einem gewissen Grad zum „Data Scientist“ werden. Data Literacy seit das Gebot der Stunde, über nahezu alle Berufsgruppen und Branchen hinweg. Denn Daten generieren wir alle bis in den Alltag oder die Freizeit hinein, wo wir Daten durch Fotos, durch Posts in Sozialen Medien oder Online-Shopping generieren und für die ökonomischen, ökologischen, sozialen und rechtlichen Implikationen sensibilisiert sein sollten.
Aufbau des Buches
Das Buch ist in acht Kapitel gegliedert.
Das erste Kapitel „Agile Basics“ erläutert, was „Agile“ eigentlich ist, was es nicht ist sowie wann und warum sich ein agiles Vorgehen für künftige Analytics- und AI-Projekte eignet.
Das zweite Kapitel „Design Thinking und Data Thinking“ geht auf Design Thinking ein, das den Menschen in den Mittelpunkt der Prozesse und Absichten stellt. Es soll Unternehmen helfen, die richtige Fragestellung zu finden, um einen echten Mehrwert zu liefern. Dagegen fokussiert sich Agile auf den Prozess, ein be-stimmtes Ziel auf iterativem Weg zu erreichen und fortlaufend zu verbessern oder anzupassen.
Das dritte Kapitel „Artificial Intelligence“ erklärt Machine Learning und Deep Learning als die für die Praxis entscheidenden Teildisziplinen der Artificial Intelligence, es löst große AI-Mythen auf und schafft ein grund-legendes Verständnis für die weitere Auseinandersetzung mit Artificial Intelligence und Data Science.
Im vierten Kapitel „Ethische, rechtliche und ökologische Implikationen“ geht es darum, dass die Angst vor AI daher kommt, dass die meisten Menschen nicht informiert sind, wie wenig AI eigentlich kann. Dennoch gibt es Aspekte, denen man sich in den nächsten Jahren entschieden stellen muss. Dafür müssen die Grundlagen und Zusammenhänge bekannt sein, um die richtigen Fragen zu stellen und die Gefahren von AI rechtzeitig erkennen zu können.
Das fünfte Kapitel „Der Data Value Loop“ erklärt den Data Value Loop, der sich aus den Phasen der Datenwertschöpfungskette zusammensetzt (Datenerhebung, -verarbeitung, -analyse und Datenmehrwert). Ziel ist, diese Phasen iterativ zu durchlaufen, um möglichst früh Feedback der Nutzer erhalten zu können.
Das sechste Kapitel „Analytics in der Praxis“ beschreibt generisch, worauf bei der agilen Umsetzung von Analytics-Projekten zu achten ist.
Das siebte Kapitel „AI in der Praxis“ stellt in zwei Beispielen dar, wie sich AI-Projekte durchführen lassen und wie die verschiedenen vorgestellten Methoden ihre Anwendung finden.
Im abschließenden Kapitel „</buch>: In the future, everyone will be a data scientist for 15 minutes“ empfiehlt das Autoren-Team, dass sich alle beruflich und privat damit auseinandersetzen sollten, dass die Entwicklung einer digitalisierten und von Daten bestimmten Welt zunehmen wird.
Fazit
Das Autoren-Team macht bewusst, wie man Analytics und AI-Projekte so planen kann, dass der Nutzen für die Anwendenden im Mittelpunkt steht und nur Daten gesammelt werden, die wirklich Mehrwert bringen.
Zunächst werden ausführlich die Grundlagen erklärt, aber am Ende des Buches zeigt das Autorenteam Schritt für Schritt, wie sie agile Projekte planen und umsetzen.
Im ersten Praxis-Beispiel wird mit vier Studierenden der TU München innerhalb eines Semesters ein Prototyp für die Analyse von Kunden-Feedback entwickelt, indem ein strikter Design Thinking-Ansatz verfolgt und mit agilen Methoden gearbeitet wird. Nach der Desk-Analyse wurden Interviews mit zehn Unternehmen geführt, Anforderungen gesammelt und die erste Lösung von den Anwendenden getestet und für die Weiterentwicklung genutzt.
Damit sind die erklärten Konzepte praxiserprobt und auf eine tatsächliche Anwendung zugeschnitten.
Analytics und Artificial Intelligence: Datenprojekte mehrwertorientiert, agil und nachhaltig planen und um-setzen. Autor: Dr. Ramona Greiner, David Berger, Dr. Matthias Böck, Springer Gabler, Wiesbaden, 1. Aufl., 2022, 296 Seiten
Bei Fragen zu Datenanalyse
- schicken Sie uns eine E-Mail oder
- fragen Sie Dr. Armin Elbert telefonisch: +49 621 596 838-50.
