Analytics Und Artificial Intelligence: Datenprojekte Mehrwertorientiert, Agil Und Nachhaltig Planen Und Umsetzen

ISBN-13: 9783658381585 / Niemiecki / Miękka / 2022

Ramona Greiner;David Berger;Matthias Böck

Opis

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

Spis treści

1. Agile Basics

1.1. Agil ist überall

1.2. Wie alles begann: Eine kurze Geschichte von Agile

1.3. Agile Prinzipien als Erfolgsfaktoren

1.3.1. Reduzierte Time-to-Market & Iteration

1.3.2. Fokus

1.3.3. Priorisierung

1.3.4. Inspect & Adapt

1.3.5. Transparenz

1.3.6. Autonomie und Selbstorganisation

1.3.7. Agile Erfolgsfaktoren im Zusammenspiel

1.4. Agile = Scrum, oder etwa nicht?

1.4.1. Rugby und Wissensmanagement

1.4.2. Was ist Scrum?

1.4.3. Scrum vs. Agile

1.4.4. Mix and Match: Agile Kombinationen

1.5. (Fr)Agil? Kritik an agilen Prozessen

1.5.1. Buzzwords und Survivorship Bias

1.5.2. Survival of the fittest und generationale Unterschiede

1.5.3. Mangelnde Planung und Agile Literacy

1.5.4. Funktionalität ≠ Wert: Brauchen wir ein Product Manifesto?

1.5.5. Agile Lösungen für agile Probleme

1.6. Warum Sie Ihre Analytics- und AI-Projekte agil angehen und umsetzen sollten

1.6.1. VUCA? VUCA!

1.6.2. Welche Projekte verlangen nach agilem Vorgehen?

1.6.3. Agiles vs. klassisches Management

1.6.4. Agile und der Planungshorizont

2. Design Thinking und Data Thinking

2.1. Schlaflose Nächte und echter Mehrwert – Warum Design Thinking und für wen?

2.1.1. Stakeholder

2.1.2. Geschäftsziele und Unternehmensstruktur

2.1.3. User-Centricity und Human-Centricity

2.1.4. Messbarer Mehrwert

2.2. Was ist Design Thinking?

2.2.1. Die Phasen

2.2.2. Design Sprints – oder: In fünf Tagen zum Erfolg

2.3. Data Thinking und der Double Diamond

2.3.1. Der Double Data Diamond

2.3.2. Data Hoarding und das Shiny-New-Object-Syndrom

2.4. Verbindung von agilen Methoden und Design Thinking

3. Artificial Intelligence

3.1. Der Data-Handshake: AI und ihre Verwandten

3.2. Deep Dive ML: Algorithmen, Modelle und ihre Anwendung

3.2.1. Klassen vs. Labels

3.2.2. Trainingsdaten vs. Testdaten

3.2.3. Bewertung von Modellen

3.2.4. Vorhersagen

3.2.5. Supervised, Unsupervised und Reinforcement Learning

3.2.6. Deep Learning

3.2.7. Modell-Maintenance: MLOps

3.3. Starke und schwache AI

3.4. Gibt es AI ohne Analytics?

3.5 Künstliche Intelligenz und ihre Herausforderungen in der Praxis - Gastbeitrag von Matthis Eicher

3.51 Motivation zur Nutzung von KI

3.52 Daten und deren Eignung für Machine Learning

3.53 Use-Cases und Metriken

3.54 Erwartungshaltungen in iterativen Entwicklungen

3.56 Generalisierung von Künstlicher Intelligenz

3.57 Fazit und mögliche Lösungen

4. Ethische, rechtliche und ökologische Implikationen

4.1. Schreckgespenst Data Analytics?!

4.1.1. Big Brother is watching you

4.1.2. Die positiven Seiten

4.1.3. Recht und Ethik bei Web- und App Analytics

4.2. Schreckgespenst AI?!

4.2.1. Risikofaktor Mensch

4.2.2. Weitere Gefahren und Streitpunkte

4.2.3. Kriterienkatalog für Ihre AI-Anwendung:

4.3. Nachhaltige Daten und bessere Raten

4.4 Daten für den guten Zweck – Ein Überblick - Gastbeitrag Alexander Merdian-Tarko

4.41 Daten werden fast überall genutzt. Auch für den guten Zweck?

4.42 Ein Flug über die „Data for Good“-Landschaft

4.43 Möglichkeiten der Beteiligung und Mitgestaltung für Unternehmen und Individuen

4.44 Nachhaltigkeit über den Hackday hinaus

5. Der Data Value Loop

5.1. Die Data Value Chain

5.1.1. Datenerhebung

5.1.2. Datenverarbeitung

5.1.3. Datenanalyse

5.1.4. Datenwertschöpfung

5.2. Technologie-Stack und Daten

5.2.1. Daten- und Tool-Landschaft als Gesamtsystem verstehen

5.2.2. Aktuelle Trends und Entwicklungen

5.2.3. Status quo der eigenen Datenlandschaft erheben

5.2.4. Architekturentscheidungen treffen

5.2.5. Make or Buy?

5.3. Data-Driven Culture

5.3.1. Data Literacy

5.3.2. Data Governance

5.4 Data meets Agile: Die Datenwertschöpfung als Iteration

5.4.1. Reduzierte Time-to-Market & Iteration

5.4.2. Fokus & Priorisierung

5.4.3. Inspect & Adapt

5.4.4. Transparenz, Autonomie und Selbstorganisation

5.4.5. Der Data Value Loop: Datenmehrwert agil und nutzer:innenzentriert

6. Analytics in der Praxis

6.1. Konzeption – Wert definieren und übersetzen

6.1.1. Anforderungsmanagement

6.1.2. KPI und Kennzahlensysteme entwickeln

6.1.3. Reporting-Konzept

6.1.4. Solution Design Document & Data Mapping

6.1.5. Tracking-Spezifikation

6.2. Tracking – Daten erheben und bereitstellen

6.2.1. Datensammlung

6.2.2. Datenintegration

6.2.3. Testing und Qualitätssicherung

6.3. Reporting und Analyse

6.3.1. Reporting

6.3.2. Analyse

6.3.3. Konfiguration des Analytics-Tools

6.3.4. Tool-Akzeptanz

6.4. Optimierung & Aktivierung

6.5. Prozesse & Artefakte

6.5.1. Meetings und Meeting-Kadenzen

6.5.2. Arbeitsabläufe

7. AI in der Praxis

7.1. Data Science und Agile – geht das überhaupt zusammen?

7.2. Exemplarische Projektdurchführung I – In drei Monaten zum Feedback-Analyse-Prototypen

7.2.1. Thema Kund:innenfeedback

7.2.2. Vorbereitung und mögliche Schwierigkeiten

7.2.3. Projektdurchführung

7.3. Exemplarische Projektdurchführung II – In sechs Monaten zum Pricing-Prototypen

7.3.1. Vorgehen und Projektplanung

7.3.2. Kickoff-Workshop und Interviews

7.3.3. Projektablauf und Herausforderungen

7.3.4. Fazit und Learnings

7.4. AI-Praxis: Quo vadis?

7.4.1. Text, Audio, Bild und Video – GPT bis Yolo

7.4.2. Self-service Machine Learning: AutoML und Data-Science-Plattformen

7.5 Die Bedeutung von Participatory Design für Anwendungen mit Künstlicher Intelligenz - Gastbeitrag von Prof. Dr. Doris Aschenbrenner

7.51 Problembeschreibung

7.52 Historische Antworten

7.53 Sozio-technisches System und menschenzentrierte Entwicklung

7.54 Menschenzentrierte KI

7.55 Partizipative Gestaltung („Participatory Design“)

7.56 Hands On

7.57 Fazit: Nachhaltige Transformationsgestaltung

Zum Schluss: : In the future, everyone will be a data scientist for 15 minutes.

Glossar

O autorze

Dr. Ramona Greiner studierte Philosophie und Kunstgeschichte. Seit 2017 arbeitet sie als Digital Analytics und Data Ethics Consultant bei der Münchner Unternehmensberatung FELD M. Dort leitet sie internationale agile Kund:innenprojekte im Bereich Data & Analytics, hält Vorträge und Design-Thinking-Workshops und berät Kund:innen bei der ethischen wie rechtskonformen Datenerhebung und -nutzung. Mit Digitaler Ethik und der sozialen Gestaltung der Digitalisierung beschäftigt sie sich außerdem auf politischer Ebene.

David Berger studierte Sportmanagement und Strategic Management mit dem Schwerpunkt Marketing, Innovation Management und Sustainable Development. Er ist zertifizierter Product Owner und hat mehrjährige Erfahrung in der Leitung von Data & Analytics Projekten für global agierende Kunden, wodurch er fundierte Expertise in der Konzeption und Umsetzung agiler Datenprojekte gesammelt hat. Er arbeitet in München als Berater für internationale Projekte im Bereich Business Strategy, Data-Driven Marketing und Business Transformation. 

Dr. Matthias Böck promovierte in Bioinformatik und Machine Learning und arbeitet seit 2013 als Data Scientist im Bereich Data Product bei der Münchner Unternehmensberatung FELD M. Dort ist er technischer Leiter für Projekte aus den Bereichen Advanced Analytics und Maschinelles Lernen. Dies beinhaltet u. a. Personalisierung, Natural Language Processing oder Vorhersagen sowie die zugrundeliegenden Datenarchitekturen und -strategien. Er hält Design-Thinking-Workshops und arbeitet mit Universitäten an Forschungsprojekten. Neben diesen Feldern beschäftigt er sich mit dem Thema Data for Good und dessen Einsatz in der Praxis.

Blurb

Die Autor:innen zeigen in diesem Buch, wie man mit Analytics- und Artificial-Intelligence-Projekten echten (Mehr-)Wert schafft. Sie geben Ihnen an die Hand, was Sie wissen müssen, um Ihre Datenprojekte agil, effizient und nutzer:innenzentriert konzipieren und umsetzen zu können: Von den agilen Basics und den Grundlagen des Design Thinkings bis hin zu den Funktionsweisen von Artificial Intelligence und den ethischen, ökologischen und rechtlichen Implikationen von Big Data. Die Autor:innen entwickeln einen Leitfaden, der Ihnen hilft, zu Beginn Ihrer Datenprojekte die richtigen Fragen zu stellen und Ihnen zeigt, wie Sie Technologien und Daten so einsetzen, dass sie einen echten Mehrwert erzeugen. Das Fundament dafür bilden Data Thinking und agile Methoden, die die Autor:innen in alltägliche Analytics- und Data-Science-Projekte überführt und adaptiert haben.

Mit zahlreichen Beispielen aus Daten- und Digital-Analytics-Projekten sowie Einblicken in die Praxis, wie man von der Idee 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 – was AI eigentlich ist und wie AI funktioniert
• 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

Die Autorin und die Autoren

Dr. Ramona Greiner studierte Philosophie und Kunstgeschichte. Seit 2017 arbeitet sie als Digital Analytics und Data Ethics Consultant bei der Münchner Unternehmensberatung FELD M.

David Berger ist zertifizierter Product Owner und hat mehrjährige Erfahrung in der Leitung von Data- und Analytics-Projekten für global agierende Kunden.

Dr. Matthias Böck promovierte in Bioinformatik und Machine Learning und arbeitet seit 2013 als Data Scientist bei der Münchner Unternehmensberatung FELD M.