- Table View
- List View
Data-driven Marketing: Insights aus Wissenschaft und Praxis
by Silvia Boßow-Thies Christina Hofmann-Stölting Heike JochimsState-of-the-art Wissen zum Data-driven Marketing aus Forschung und PraxisFokussiert auf die entscheidenden Aspekte für ein erfolgreiches datengetriebenes MarketingAutoren sind Top-Experten aus der Praxis und der WissenschaftDieses Buch adressiert die entscheidenden Aspekte für ein erfolgreiches, datengetriebenes Marketing: Datenqualität, Datenanalyse, kreative, aber datenschutzkonforme und ethisch vertretbare Datennutzung. Die Herausgeberinnen haben dazu das aktuelle Know-how aus Wissenschaft und Praxis für die strategische und operative Marketingarbeit zusammengetragen. So ist ein wertvoller Impulsgeber und Leitfaden für Marketing-Professionals entstanden, die Ihre Marketingarbeit konsequent datenzentriert und kundenindividuell gestalten wollen. Dabei bleiben auch spezielle Aspekte wie eine visuelle Präsentation von Datenanalyse, der Einfluss der Tonalität einer Website auf die Werbewirksamkeit von Display Advertising und Prinzipien des digitalen Vertrauensaufbaus beim Einsatz von digitalen Kanälen nicht außen vor.Aus dem InhaltStrategischer Einsatz von Daten im Marketing Datenmanagement als Grundlage für MarketingentscheidungenSmarte Insights fürs Marketing (psychografisches Targeting, Programmatic Advertising, Uplift von Werbemaßnahmen, A/B-Testing)Data-driven Marketing in der realen Welt (Geointelligenz Im Outernet, digitale Komponenten bei Messen, Privacy Concerns in the Carsharing Economy)Datenschutz und die ethischen Grenzen der Datennutzung im Data-driven Marketing Mit Beiträgen von Prof. Dr. Silvia Boßow-Thies +++ Prof. Dr. Annette Corves +++ Prof. Dr. Nicole Fabisch +++ Prof. Dr. Lars-Gunnar Frahm +++ Dr. Björn Goerke +++ Prof. Dr. Goetz Greve +++ Prof. Dr. Susanne Hensel-Börner +++ Prof. Dr. Christina Hofmann-Stölting +++ Prof. Dr. Gregor Hopf +++ Luise Jacobs +++ Prof. Dr. Heike Jochims +++ Dr. Gwen Kaufmann +++ Carsten Köster +++ Terence Lutz +++ Prof. Dr. Doreén Pick +++ Dr. Dennis Proppe +++ Mareike Scheibe +++ Prof. Dr. Eva Schön +++ Prof. Dr. Manuel Stegemann +++ Prof. Dr. Thorsten Suwelack +++ Prof. Dr. Kai-Marcus Thäsler +++ Christian Westerkamp +++ Dr. Heike M. Wolters
Data-Driven Marketing und der Erfolgsfaktor Mensch: Schlüsselfaktoren und Kernkompetenzen für das Marketing der Zukunft
by Lutz KlausDaten, Daten, Daten – und was ist mit Menschen? Bei der Digitalisierung von Prozessen und Geschäftsmodellen werden datengetriebene Ansätze und Technologien immer bedeutender. Doch der entscheidende Faktor für den Geschäftserfolg ist der Mensch, der die Daten nutzt und Prozesse mit Leben füllt. Dieses kompakte Buch richtet sich an Marketingprofis, Verantwortliche für Digitalisierung, Personalleiter sowie an alle, die datengetriebene, analytische Ansätze als Erfolgsvoraussetzung sehen und die Zukunft in der digitalen Arbeitswelt verantwortlich gestalten wollen. Der Autor stellt einen Bezugsrahmen mit sieben Punkten vor, mit dem es gelingt, sich und andere auf die Zukunft in der von Technologie geprägten Welt vorzubereiten. Anhand konkreter Beispiele wird deutlich, warum analytisches Denken, Neugier und Integration zentrale Fähigkeiten im Marketing sind und an welchen Stellen die Agilität gesteigert werden muss. Der Leser profitiert von anwendbarem Wissen, handfesten Tipps und Hinweisen zur Umsetzung in der Praxis.
Data Governance: Nachhaltige Geschäftsmodelle und Technologien im europäischen Rechtsrahmen
by Beatrix WeberData Governance kann in den Dimensionen Technik, Ökonomie, Nachhaltigkeit und Recht als Steuerung der Nutzung, des Teilens und der Weiterverwendung von Daten definiert werden. Der sich entwickelnde Rechtsrahmen der Europäischen Union zum Datenrecht, insbesondere der Data Governance Act, der Data Act, der Digital Markets Act sowie bereits bestehende Gesetze wie die Datenschutzgrundverordnung schaffen einen Ordnungsrahmen für Dateninhaber, Datennutzer und Datensubjekte. Daneben erfordert die ESG-Gesetzgebung in den Bereichen Nachhaltigkeit und Umweltschutz die rechtskonforme Erfassung und Nutzung von Daten. Vor diesem Hintergrund wird der Binnenmarkt für Daten als Produkte oder Dienstleistungen dauerhaft nur wachsen, wenn technische Innovationen und Standards eine nachhaltige, rechtskonforme, aber auch wertschöpfende Datennutzung für die Marktteilnehmer ermöglichen. Dieses Werk löst die Frage, wie ein ökonomischer Mehrwert durch die Nutzung von Daten erzeugt werden kann, der die aktuellen technischen Möglichkeiten, Ziele der Nachhaltigkeit und das rechtlich Zulässige verbindet.
Data Governance für Manager: Datengetriebene Prozess- und Systemoptimierung als Taktgeber der digitalen Transformation
by Lars Michael BollwegDieses Fachbuch führt den Leser in fünf Buchteilen und mit der Hilfe praxiserprobter Vorgehensmodelle von den Grundlagen (Was ist Data Governance?), über die Planung (Welche Gestaltungsoptionen habe ich?) und Implementierung (Wie kann ich Data Governance im Unternehmen einführen?) bis zum Regelbetrieb (Wie kann ich Mehrwerte erzielen?) und der Erfolgsmessung einer Data Governance. Wie jedes Unternehmen ist auch jede Data Governance anders, deshalb werden alle wichtigen Entscheidungspunkte aufgezeigt, die Vor- und Nachteile diskutiert, um dem Leser, die Möglichkeit zu bieten, eine maßgeschneiderte Data Governance zu entwickeln.Ein professionelles Datenmanagement (Data Governance) ist die Grundlage für die erfolgreiche digitale Transformation traditioneller Unternehmen. Leider scheitern eine Vielzahl an Unternehmen an der Einführung einer Data Governance, weil sie die Komplexität der Herausforderung (Organisationsaufbau, Befähigung der Mitarbeiter, Change Management etc.) nicht vollständig überblicken und deshalb nicht alle Aspekte mit in die Planung und Umsetzung ihrer Data Governance miteinbeziehen. Hier setzt dieses Buch an: Es erläutert die treibende Rolle, die eine reaktionsfähige Datenorganisation innerhalb der digitalen Transformation eines Unternehmens einnehmen kann. Der Leser wird befähigt, Digitalisierungspotenziale aufzuzeigen und diese im Unternehmen in die Umsetzung zu überführen.Der InhaltGrundlagen Data GovernanceErfolgsfaktoren der ImplementierungEntwicklung eines reaktionsfähigen Operating Model Data Governance als Treiber der Wertstromoptimierung und Taktgeber der digitalen TransformationErfolgsmessung einer Data Governance
Data Management: Der Weg zum datengetriebenen Unternehmen
by Klaus-Dieter GronwaldDieses Lehrbuch betrachtet Data Management als interdisziplinäres Konzept mit Fokus auf den Zielen datengetriebener Unternehmen. Im Zentrum steht die interaktive Entwicklung eines Unternehmensdatenmodells für ein virtuelles Unternehmen mit Unterstützung eines online Learning Games unter Einbeziehung der Aufgaben, Ziele und Grundsätze des Data Managements, typischer Data-Management-Komponenten und Frameworks wie Datenmodellierung und Design, Metadaten Management, Data Architecture, und Data Governance, und verknüpft diese mit datengetriebenen Anwendungen wie Business Warehousing, Big Data, In-Memory Data Management, und Machine Learning im Data Management Kontext.Das Buch dient als Lehrbuch für Studierende der Informatik, der Wirtschaft und der Wirtschaftsinformatik an Universitäten, Hochschulen und Fachschulen und zur industriellen Aus- und Weiterbildung.
Data Mining: Modelle und Algorithmen intelligenter Datenanalyse (Computational Intelligence)
by Thomas A. RunklerDieses Lehrbuch behandelt die wichtigsten Methoden zur Erkennung und Extraktion von ,,Wissen" aus numerischen und nicht-numerischen Datenbanken in Technik und Wirtschaft. Der Autor vermittelt einen kompakten und zugleich fundierten #65533;berblick #65533;ber die verschiedenen Methoden sowie deren Zielsetzungen und Eigenschaften. Dadurch werden Leser bef#65533;higt, Data Mining eigenst#65533;ndig anzuwenden.
Data Science: Best Practices mit Python
by Benjamin M. Abdel-KarimDieses Buch entstand aus der Motivation heraus, eines der ersten deutschsprachigen Nachschlagewerke zu entwickeln, in welchem relativ simple Quellcode-Beispiele enthalten sind, um so Lösungsansätze für die (wiederkehrenden) Programmierprobleme in der Datenanalyse weiterzugeben. Dabei ist dieses Werk nicht uneigennützig verfasst worden. Es enthält Lösungswege für immer wiederkehrende Problemstellungen die ich über meinen täglichen Umgang entwickelt habe Zweifellos gehört das Nachschlagen von Lösungsansätzen in Büchern oder im Internet zur normalen Arbeit eines Programmierers. Allerdings ist diese Suche in der Regel ein unstrukturierter und damit, zumindest teilweise, ein zeitaufwendiger Prozess.Unabhängig davon, ob Sie das Buch als Student, Mitarbeiter oder Gründer lesen, hoffe ich, dass Ihnen dieses Nachschlagewerk ein wertvoller Helfer für die ersten Anfänge sein wird. Ich gehe davon aus, dass jede Person die Grundlagen der Datenanalyse mit Hilfe moderner Programmiersprachen erlernen kann.
Data Science: Konzepte, Erfahrungen, Fallstudien und Praxis
by Detlev Frick Andreas Gadatsch Jens Kaufmann Birgit Lankes Christoph Quix Andreas Schmidt Uwe SchmitzData Science ist in vielen Organisationen angekommen und oft alltägliche Praxis. Dennoch stehen viele Verantwortliche vor der Herausforderung, sich erstmalig mit konkreten Fragestellungen zu beschäftigen oder laufende Projekte weiterzuentwickeln. Die Spannbreite der Methoden, Werkzeuge und Anwendungsmöglichkeiten ist sehr groß und entwickelt sich kontinuierlich weiter. Die Vielzahl an Publikationen zu Data Science ist spezialisiert und behandelt fokussiert Einzelaspekte. Das vorliegende Werk gibt den Leserinnen und Lesern eine umfassende Orientierung zum Status Quo aus der wissenschaftlichen Perspektive und zahlreiche vertiefende Darstellungen praxisrelevanter Aspekte. Die Inhalte bauen auf den wissenschaftlichen CAS-Zertifikatskursen zu Big Data und Data Science der Hochschule Niederrhein in Kooperation mit der Hochschule Bonn-Rhein-Sieg und der FH Dortmund auf. Sie berücksichtigen wissenschaftliche Grundlagen und Vertiefungen, aber auch konkrete Erfahrungen aus Data Science Projekten. Das Buch greift praxisrelevante Fragen auf wissenschaftlichem Niveau aus Sicht der Rollen eines „Data Strategist“, „Data Architect“ und „Data Analyst“ auf und bindet erprobte Praxiserfahrungen u. a. von Seminarteilnehmern mit ein. Das Buch gibt für Interessierte einen Einblick in die aktuell relevante Vielfalt der Aspekte zu Data Science bzw. Big Data und liefert Hinweise für die praxisnahe Umsetzung.
Data Science – was ist das eigentlich?!: Algorithmen des maschinellen Lernens verständlich erklärt
by Annalyn Ng Kenneth SooSie möchten endlich wissen, was sich hinter Schlagworten wie „Data Science“ und „Machine Learning“ eigentlich verbirgt – und was man alles damit anstellen kann? Auf allzu viel Mathematik würden Sie dabei aber gern verzichten? Dann sind Sie hier genau richtig: Dieses Buch bietet einen kompakten Einblick in die wichtigsten Schlüsselkonzepte der Datenwissenschaft und ihrer Algorithmen – und zwar ohne Sie mit mathematischen Formeln und Details zu belasten! Der Fokus liegt – nach einer übergeordneten Einführung – auf Anwendungen des maschinellen Lernens zur Mustererkennung und Vorhersage von Ergebnissen: In jedem Kapitel wird ein Algorithmus erläutert und mit einem leicht verständlichen, realen Anwendungsbeispiel verknüpft. Die Kombination aus intuitiven Erklärungen und zahlreichen Abbildungen ermöglicht dabei ein grundlegendes Verständnis, das ohne mathematische Formelsprache auskommt. Abschließend werden auch die Grenzen und Nachteile der betrachteten Algorithmen explizit aufgezeigt.
Data Science anwenden: Einführung, Anwendungen und Projekte (Angewandte Wirtschaftsinformatik)
by Thomas Barton Christian MüllerDieses Buch bietet einen Einstieg in das Thema Data Science auf Basis der visuellen Aufbereitung von Daten. Es hat ethische Betrachtungen in der digitalen Transformation zum Gegenstand und stellt ein Prozessrahmenwerk für die Bewertung von Technologien vor. Außerdem erläutert es Besonderheiten und Erkenntnisse zum Scheitern von Data-Science-Projekten und stellt Empfehlungssysteme unter Berücksichtigung aktueller Entwicklungen vor. Funktionalität zu Machine Learning in Werkzeugen zu Business Analytics wird verglichen und der Einsatz eines Vorgehensmodells für Data Science aufgezeigt.Die Integration erneuerbarer Energien am Beispiel von Photovoltaikanlagen, ein effizienterer Umgang mit Wärmeenergie, wissenschaftliche Literaturauswertung, Kundenzufriedenheit in der Automobilindustrie und ein Framework für die Analyse von Fahrzeugdaten dienen als Anwendungsbeispiele für den konkreten Einsatz von Data Science. Das Buch bietet wichtige Informationen, die für Praktiker ebenso relevant sind wie für Studierende und Lehrende.
Data Science für Dummies (Für Dummies)
by Lillian PiersonDaten, Daten, Daten? Sie haben schon Kenntnisse in Excel und Statistik, wissen aber noch nicht, wie all die Datensätze helfen sollen, bessere Entscheidungen zu treffen? Von Lillian Pierson bekommen Sie das dafür notwendige Handwerkszeug: Bauen Sie Ihre Kenntnisse in Statistik, Programmierung und Visualisierung aus. Nutzen Sie Python, R, SQL, Excel und KNIME. Zahlreiche Beispiele veranschaulichen die vorgestellten Methoden und Techniken. So können Sie die Erkenntnisse dieses Buches auf Ihre Daten übertragen und aus deren Analyse unmittelbare Schlüsse und Konsequenzen ziehen.
Data Science mit Python für Dummies (Für Dummies)
by John Paul Mueller Luca MassaronSie wollen sich ernsthaft mit wissenschaftlicher Datenanalyse beschäftigen und wissen, dass Sie da an Python nur schwer vorbeikommen? Dann ist dieses das richtige Buch für Sie. John Paul Mueller erklärt Ihnen, was Sie in Python beherrschen müssen, um sich der Datenanalyse zu widmen inklusive Objekten, Funktionen, Modulen und Bibliotheken. Außerdem erläutert er die wichtigsten Bibliotheken für die Datenanalyse wie NumPy, SciPy, BeautifulSoup, Pandas, und MatPlobLib. So lernen Sie Python für die Datenanalyse richtig einsetzen.
Data Science Training - Supervised Learning: Ein praktischer Einstieg ins überwachte maschinelle Lernen
by Stefan SelleDieses Lehrbuch erklärt auf narrative und direkte Weise die wichtigen Zusammenhänge zwischen Data Science, Künstlicher Intelligenz und anderen Disziplinen und Domänen wie Datenschutz und Ethik, mit Fokus auf überwachtes Lernen (Supervised Learning).Wir begleiten Anna und Karl während ihrer Traineephase in einer internationalen Versicherung. Schritt für Schritt reifen sie zu Data Scientists, indem sie sich intensiv mit der Titanic-Katastrophe auseinandersetzen. Anna kann Python programmieren, während Karl ein grafisches Werkzeug (KNIME Analytics Platform) benutzt. Bei ihren Untersuchungen stoßen sie auf interessante Fakten und Mythen. Mit Unterstützung von Max und Sophia verarbeiten sie historische Daten, um Vorhersagen zu erstellen (Predictive Analytics). Dabei benutzen sie Methoden und Algorithmen des maschinellen Lernens.Begleitende Zusatzmaterialien (KNIME Workflows, Jupyter Notebooks, Erklärvideos) stehen den Lernenden online zur Verfügung. Und wenn in diesemBuch Anna und Karl sich auf Themen des überwachten Lernens konzentrieren, werden wir künftig mit ihnen noch weitere Gebiete der Data Science entdecken.
Data Science und Statistik mit R: Anwendungslösungen für die Praxis
by Bernd HeesenData Science trägt wesentlich zu einer schnelleren Nutzbarmachung von Markt-, Kunden- und Nutzerdaten bei, inklusive der Analyse von Daten aus Sozialen Netzwerken. Wo früher klassische Statistik für Berechnungen und Vorhersagen herangezogen wurde, da erlauben heute Open-Source-Werkzeuge wie R Daten in unterschiedlichsten Formaten und aus beliebig vielen Quellen für die Analyse einzulesen, aufzubereiten und mit Hilfe von Methoden der Künstlichen Intelligenz und des Machine Learning zu analysieren. Die Ergebnisse können dann anschließend perfekt visuell dargestellt werden, so dass die Entscheider schnell und effektiv davon profitieren können. Daraus lässt sich ableiten, welche Maßnahmen mit einer vorhersagbaren Wahrscheinlichkeit zur Erreichung der eigenen Ziele geeignet sind, z.B. welcher Preis für ein Angebot die gewünschte Nachfrage erzeugt oder welche Marketingmaßnahme eine gewünschte Zielgruppe erreicht.Dieses Buch vermittelt auf Basis von R, wie Sie Statistik, Data Science, Künstliche Intelligenz und Machine Learning in der Industrie 4.0 nutzen können. Die Anwendungsbeispiele können von Lesern selbst durchgeführt werden, da das Buch die R-Anweisungen beinhaltet. Damit ist das Buch ideal für Studierende und andere Interessierte, die sich Kenntnisse in der Statistiklösung R aneignen wollen.
Data-Warehouse-Systeme für Dummies (Für Dummies)
by Wolfgang GerkenJede Business-Intelligence-Anwendung beruht letzten Endes auf einem Data Warehouse. Data Warehousing ist deshalb ein sehr wichtiges Gebiet der Angewandten Informatik, insbesondere im Zeitalter von Big Data. Das vorliegende Buch beleuchtet das Data Warehouse aus zwei Perspektiven: der des Entwicklers und der des Anwenders. Der zukünftige Entwickler lernt, ein Data Warehouse mit geeigneten Methoden selbst zu entwickeln. Für den zukünftigen Anwender geht der Autor auf die Themen Reporting, Online Analytical Processing und Data Mining ein. Das Lehrbuch ist auch zum Selbststudium geeignet. Kenntnisse über Datenbanksysteme sollten allerdings vorhanden sein.
Data-Warehouse-Systeme kompakt: Aufbau, Architektur, Grundfunktionen (Xpert.press)
by Kiumars FarkischIn dem Buch werden Data-Warehouse-Systeme als einheitliche, zentrale, vollständige, historisierte und analytische IT-Plattform untersucht und ihre Rolle für die Datenanalyse und für Entscheidungsfindungsprozesse dargestellt. Dabei behandelt der Autor die einzelnen Komponenten, die für den Aufbau, die Architektur und den Betrieb eines Data-Warehouse-Systems von Bedeutung sind. Die multidimensionale Datenmodellierung, der ETL-Prozess und Analysemethoden werden erörtert und Maßnahmen zur Performancesteigerung von Data-Warehouse-Systemen diskutiert.
Datafizierung und Big Data: Ethische, anthropologische und wissenschaftstheoretische Perspektiven (Anthropologie – Technikphilosophie – Gesellschaft)
by Klaus Wiegerling Michael Nerurkar Christian WadephulDer Band versammelt Beiträge, die sich mit ethischen, anthropologischen und wissenschaftstheoretischen Aspekten informationstechnologischer Anwendungen, insbesondere Big Data, befassen. In unterschiedlichen disziplinären Perspektiven werden die Auswirkungen dieser Technologien auf Individuum, Gesellschaft und Wissenschaft in den Blick genommen.
Daten in der wirtschaftswissenschaftlichen Forschung: Festschrift zum 65. Geburtstag von Prof. Dr. Joachim Merz
by Dierk Hirschel Peter Paic Markus ZwickDaten sind in der wirtschaftswissenschaftliche Forschung von hoher Bedeutung. Mit der drastischen Steigerung der Leistungsfähigkeit der Informationstechnik ist es heute möglich, riesige Datenmengen und insbesondere Mikrodaten zu speichern und zu analysieren. Mit dem Sonderforschungsbereich 3 der Deutschen Forschungsgemeinschaft ,Mikroanalytische Grundlagen der Gesellschaftspolitik' begann in den achtziger Jahren des letzten Jahrhunderts das Mikrodatenzeitalter in Deutschland. Seitdem ist die Entwicklung der mikrodatenbasierten Forschung und Politikberatung rasant fortgeschritten. Hierbei hatte und hat der mit diesem Buch geehrte Joachim Merz einen erheblichen Anteil. Der vorliegende Band zeigt einen Ausschnitt des Erfolges dieser wissenschaftlichen Arbeiten. Wegbegleiter wie der eigene wissenschaftliche Nachwuchs geben in insgesamt 12 Beiträgen einen vertiefenden Einblick in den Stand der empirischen wirtschaftswissenschaftlichen Forschung und zeigen mögliche weitere Entwicklungstendenzen auf.
Daten-Teams: Ein einheitliches Managementmodell für erfolgreiche, datenorientierte Teams
by Jesse AndersonErfahren Sie, wie Sie erfolgreiche Big-Data-Projekte durchführen, wie Sie Ihre Teams mit Ressourcen ausstatten und wie die Teams miteinander arbeiten sollten, um kosteneffizient zu sein. In diesem Buch werden die drei Teams vorgestellt, die für erfolgreiche Projekte erforderlich sind, und es wird erläutert, welche Aufgaben die einzelnen Teams haben.Die meisten Unternehmen scheitern mit Big-Data-Projekten, und der Misserfolg wird fast immer auf die verwendeten Technologien geschoben. Um erfolgreich zu sein, müssen sich Unternehmen sowohl auf die Technologie als auch auf das Management konzentrieren.Die Nutzung von Daten ist ein Teamsport. Es bedarf verschiedener Menschen mit unterschiedlichen Fähigkeiten, die alle zusammenarbeiten müssen, um etwas zu erreichen. Bei allen Projekten, mit Ausnahme der kleinsten, sollten die Mitarbeiter in mehreren Teams organisiert werden, um das Scheitern von Projekten und unzureichende Leistungen zu vermeiden.Dieses Buch konzentriert sich auf das Management. Vor einigen Jahren wurde wenig bis gar nicht über das Management von Big-Data-Projekten oder -Teams geschrieben oder gesprochen. Data Teams zeigt, warum Managementfehler die Ursache für so viele Projektmisserfolge sind und wie Sie solche Misserfolge in Ihrem Projekt proaktiv verhindern können.Was Sie lernen werdenEntdecken Sie die drei Teams, die Sie benötigen, um mit Big Data erfolgreich zu seinVerstehen, was ein Datenwissenschaftler ist und was ein Datenwissenschaftsteam tutVerstehen, was ein Data Engineer ist und was ein Data Engineering Team machtVerstehen, was ein Betriebsingenieur ist und was ein Betriebsteam tutWissen, wie sich die Teams und Titel unterscheiden und warum Sie alle drei Teams brauchenErkennen, welche Rolle das Unternehmen bei der Zusammenarbeit mit Datenteams spielt und wie der Rest der Organisation zu erfolgreichen Datenprojekten beiträgtFür wen dieses Buch gedacht istFührungskräfte aller Ebenen, einschließlich derjenigen, die über einige technische Fähigkeiten verfügen und ein Big-Data-Projekt in Angriff nehmen wollen oder bereits ein Big-Data-Projekt begonnen haben. Es ist besonders hilfreich für diejenigen, die Projekte haben, die nicht vorankommen und nicht wissen, warum, oder die an einer Konferenz teilgenommen oder über Big Data gelesen haben und nun damit beginnen, zu prüfen, was nötig ist, um ein Projekt zu realisieren.Dieses Buch ist auch für leitende Mitarbeiter oder technische Architekten relevant, die in einem Team arbeiten, das vom Unternehmen beauftragt wurde, herauszufinden, was nötig ist, um ein Projekt zu starten, in einem Projekt, das nicht vorankommt, oder die feststellen müssen, ob es nichttechnische Probleme gibt, die ihr Projekt beeinträchtigen.
Daten- und Identitätsschutz in Cloud Computing, E-Government und E-Commerce
by Jörg Schwenk Georg BorgesFür neue und künftige Geschäftsfelder von E-Commerce und E-Government stellen der Datenschutz und der Identitätsschutz wichtige Herausforderungen dar. Renommierte Autoren aus Wissenschaft und Praxis widmen sich in dem Band aktuellen Problemen des Daten- und Identitätsschutzes aus rechtlicher und technischer Perspektive. Sie analysieren aktuelle Problemfälle aus der Praxis und bieten Handlungsempfehlungen an. Das Werk richtet sich an Juristen und technisch Verantwortliche in Behörden und Unternehmen sowie an Rechtsanwälte und Wissenschaftler.
Daten- und Informationsqualität: Auf dem Weg zur Information Excellence
by Knut Hildebrand Marcus Gebauer Holger Hinrichs Michael MielkeDas erste deutsche Buch zum Thema Daten- und Informationsqualität in der dritten, erweiterten Auflage. Wissenschaftlich fundiert und von Praktikern geschrieben, wird der aktuelle Stand aus Forschung und praktischer Anwendung präsentiert, in den wichtigen Facetten dieses wichtigen Themas. Ein Muss für alle IT-Profis.
Daten- und Informationsqualität: Auf dem Weg zur Information Excellence
by Knut Hildebrand Marcus Gebauer Holger Hinrichs Michael MielkeDie Verbesserung und Sicherung der Informationsqualität (IQ) wird in immer mehr Unternehmen als eigenständige und wichtige Managementaufgabe begriffen. IQ-Management ist mittlerweile ein elementarer Baustein in Systemintegrationsprojekten. Aber auch für laufende Prozesse mit heterogenen Daten und Nutzern ist eine hohe Informationsqualität die Grundvoraussetzung für funktionierende betriebliche Abläufe. Das erste deutschsprachige Buch zum Thema behandelt Daten- und Informationsqualität umfassend: von Definitionen zur Datenqualität über Methoden und Regelwerke für ihr Management bis hin zur Verankerung in der Organisation – mit Fallbeispielen aus zahlreichen Unternehmen. Im einführenden Kapitel erläutern die Autoren zunächst die Grundlagen. Sie stellen wissenschaftliche Modelle der Informationstheorie vor und erläutern die Rolle von Daten im Wissens- und Informationsmanagement und als Produktionsfaktor. Ein weiteres grundlegendes Kapitel widmet sich den verschiedenen Dimensionen der Informationsqualität. Anhand von 15 Begriffen und erläuternden Beispielen werden die IQ-Dimensionen wie beispielsweise Zugänglichkeit (accessibility), Umfang (appropriate amount of data) oder Glaubwürdigkeit (believability) präzise beschrieben. Dieses Kapitel ist zugleich Ergebnis der Arbeit einer Projektgruppe in der DGIQ (Deutsche Gesellschaft für Informations- und Datenqualität). Im zweiten Teil des Buchs werden die Methoden, Tools und Techniken für das Management der Datenqualität erläutert. Dazu zählen unter anderem Datenqualitätsmetriken, Methoden wie Total Data Quality Management, die strukturierte Datenanalyse oder Maßnahmen wie Datenbereinigung. Der Band wurde für die vierte Auflage erweitert und an zahlreichen Stellen überarbeitet. Wissenschaftlich fundiert und von Praktikern geschrieben, präsentiert es den aktuellen Stand aus Forschung und Anwendung. Das Buch richtet sich an Unternehmensführungen, IT-Manager, beispielsweise in Banken und Versicherungen, und an alle Datenspezialisten. Ein Muss für alle IT-Profis.
Daten- und Informationsqualität: Die Grundlage der Digitalisierung
by Knut Hildebrand Marcus Gebauer Michael MielkeDieses Buch war das erste deutsche Buch zum Thema Daten- und Informationsqualität und ist mittlerweile ein Klassiker. Es wurde für die fünfte Auflage um neue Inhalte erweitert, aktualisiert und an zahlreichen Stellen überarbeitet. Von Wissenschaftlern und Praktikern geschrieben, präsentiert es den aktuellen Stand aus Forschung und Anwendung und ist somit ein Muss für alle IT-Profis.
Daten- und Prozessmodellierung für Versicherer: Konzepte für moderne IT in Bestandsführung und Schadenmanagement
by Frank UrlaßMit diesem Buch unterstützt Frank Urlaß Versicherungsunternehmen bei der Entwicklung von effizienten, marktgerechten und aufsichtskonformen IT-Landschaften. Mit den vorgestellten Konzepten können sowohl veraltete Hostsysteme modernisiert als auch durch Zukäufe und Fusionen unübersichtlich gewordene Systeme entschlackt werden. Dazu werden in den ersten drei Kapiteln des Buches zunächst ausführlich die theoretischen Grundlagen für die Komplexe Daten- und Prozessmodellierung entwickelt. Jeweils anschließend folgt die Beschreibung der praktischen Ausgestaltungen der Daten- und der Prozessmodelle. Diese Teile werden im nächsten Kapitel durch eine Beschreibung abgeschlossen, in der gezeigt wird, wie das Daten- und das Prozessmodell zusammenwirken und sich wechselseitig bedingen und ergänzen. Nach der Beschreibung eines Vorgehensmodells für einen potenziellen Anwender, der die vorgestellten Konzepte als Vorlage für seine eigene Entwicklung verwenden möchte, folgen in zwei weiteren Kapiteln ein Modell zur fachlichen und technischen Weiterentwicklung der neuen IT sowie die Beschreibung des Preismodells. In zwei Anhängen werden abschließend zunächst eine Liste der Plausibilitäten für die meisten der eingabefähigen Attribute im Datenmodell und danach eine Beschreibung ausgewählter Geschäftsregeln für das Prozessmodell angefügt.
Datenanalyse, Abstimmung und Entwicklung (Handbuch Rennwagentechnik)
by Michael Trzesniowski Philipp EderEinmal Renningenieur zu sein, davon tr#65533;umen viele Motorsportfans und -Ingenieure. Dieses Buch gibt einen Einblick in den Arbeitsalltag eines Renningenieurs. Es werden die verschiedenen Darstellungsformen von Daten und deren Interpretation beschrieben. Dieses Wissen unterst#65533;tzt die Renningenieure, #65533;nderungen an den Einstellungen des Fahrzeugs durchzuf#65533;hren aber auch Fehlerquellen zu lokalisieren. Die gewonnenen Erkenntnisse sind aber nicht nur f#65533;r das momentane Rennen wichtig, auch Potentiale f#65533;r eine Neuentwicklung werden daraus abgeleitet. Zus#65533;tzlich wird neben der Datenauswertung auch der gesamte Prozess vom Datensammeln bis hin zur Komponentenauswahl beschrieben.