UID:
almafu_9959834976902883
Format:
1 online resource (295 pages)
Edition:
1st ed.
ISBN:
9783658322366
,
3658322365
Series Statement:
Edition HMD
Content:
This book, part of the 'Edition HMD' series, provides a comprehensive overview of big data analytics, focusing on foundational concepts, real-world case studies, and the application of various analytical methods. It is edited by Sara D’Onofrio and Andreas Meier and features contributions from experts in the field. Topics covered include text analysis, machine learning, predictive models, and their applications across different industries such as online retail and manufacturing. It also discusses the importance of understanding data relationships, automated data analysis, and the role of data scientists in forecasting future scenarios. The book is intended for professionals and researchers interested in the practical and theoretical aspects of big data analytics.
Note:
Intro -- Vorwort -- Einwurf -- Inhaltsverzeichnis -- Über die Autoren -- Teil I: Grundlagen -- 1: Rundgang Big Data Analytics - Hard & -- Soft Data Mining -- 1.1 Motivation und Begriffseinordnung -- 1.1.1 Was heißt Big Data? -- 1.1.2 Relevanz von Datenspeichersystemen -- 1.1.3 Facetten des Big Data Analytics -- 1.2 Zum Prozess Knowledge Discovery in Databases -- 1.2.1 Branchenneutraler Industriestandard -- 1.2.2 Hard versus Soft Data Mining -- 1.2.3 Prozessschritte für Wissensgenerierung -- 1.3 Anwendungsoptionen und Nutzenpotenziale -- 1.3.1 Controlling der digitalen Wertschöpfungskette -- 1.3.2 Beziehungsmanagement mit individuellen Kundenwerten -- 1.4 Aufruf zum Paradigmenwechsel -- Literatur -- 2: Methoden des Data Mining für Big Data Analytics -- 2.1 Einleitung -- 2.2 Klassifikation von Analytics-Methoden -- 2.3 Entscheidungsbaumverfahren -- 2.4 Künstliche Neuronale Netze -- 2.5 Clusteranalysen -- 2.6 Assoziationsanalysen -- 2.7 Diskussion und Ausblick -- Literatur -- 3: Digital Analytics in der Praxis - Entwicklungen, Reifegrad und Anwendungen der Künstlichen Intelligenz -- 3.1 Digital Analytics -- 3.1.1 Geschichte und Phasenmodell des Digital Analytics -- 3.1.2 Diskussion der Literatur und Einordnung im Big Data Marketing Analytics -- 3.1.3 Forschungsfragen und Vorgehen -- 3.2 Digital Analytics Studie 2020 -- 3.2.1 Methodik -- 3.2.2 Aktuelle Trends im Digital Analytics -- 3.2.3 Reifegrad und Know-how zu Digital Analytics -- 3.2.4 Datengetriebene Entscheidungen -- 3.2.5 Schnelligkeit in Entscheidungsprozessen und Agilität -- 3.2.6 Budget und Human Resources im Digital Analytics -- 3.3 Nutzen und Herausforderungen des Digital Analytics -- 3.3.1 Zu den Nutzenpotenzialen -- 3.3.2 Herausforderungen des Digital Analytics -- 3.4 KI-Anwendungen basierend auf Digital-Analytics-Daten.
,
3.4.1 Übersicht über mögliche KI-Anwendungen im Marketing -- 3.4.2 KI-Anwendungen der Studie-Teilnehmer -- 3.5 Schlussbemerkungen -- 3.5.1 Zusammenfassung -- 3.5.2 Kritische Würdigung und Ausblick -- Literatur -- Teil II: Textanalyse -- 4: Searching-Tool für Compliance - Ein Analyseverfahren textueller Daten -- 4.1 Digitalisierung als Chance für das Onboarding -- 4.2 Das Digital Onboarding-Tool -- 4.2.1 Prozesse -- 4.2.2 Linguistische Textanalyse -- 4.2.3 Statistische Textanalyse -- 4.2.4 Maschinelles Lernen -- 4.3 Das Analysewerkzeug Find-it for Person Check -- 4.3.1 Recherche -- 4.3.2 Aufbereitung der Suchergebnisse -- 4.3.3 Automatische Zusammenfassung der Suchergebnisse -- 4.4 Schlussbetrachtung und Ausblick -- Literatur -- 5: Entscheidungsunterstützung im Online-Handel -- 5.1 Relevanz der automatisierten Textanalyse im Online-Handel -- 5.2 Stand der Forschung bezüglich automatisierter Textanalyse -- 5.3 Hybrider Ansatz der automatisierten Analyse von Produktrezensionen -- 5.3.1 Theoretischer Hintergrund -- 5.3.2 Methodik und Vorgehen -- 5.3.3 Datensatz -- 5.3.4 Text-Vorverarbeitung -- 5.3.5 Trainieren des Word2Vec-Modells und Benchmarking -- 5.3.6 Erstellung des Datenmodells -- 5.3.7 Deskriptive Analyse der Ergebnisse -- 5.4 Anwendung des hybriden Modells zur Entscheidungsunterstützung im Online-Handel -- 5.5 Zusammenfassung und Ausblick -- Literatur -- Teil III: Machine Learning -- 6: Einsatzoptionen von Machine Learning im Handel -- 6.1 Aktuelle und zukünftige Massendatenprobleme im Handel -- 6.2 Daten im Handel - die strategische Bedrohung des Handels -- 6.3 (Massen-)datengetriebene Entscheidungsfindung im Handel -- 6.3.1 Preisentscheidungen (Price) -- 6.3.2 Produktentscheidungen (Product) -- 6.3.3 Platzierungs- und Distributionsentscheidungen (Placement) -- 6.3.4 Promotionentscheidungen.
,
6.4 Machine Learning bei Big Data-Phänomenen im Handel -- 6.4.1 Problemklassen und Methoden -- 6.4.2 Out-of-Shelf-Situationen als Beispiel -- 6.5 Fazit -- Literatur -- 7: Automatisierte Qualitätssicherung via Image Mining und Computer Vision - Literaturrecherche und Prototyp -- 7.1 Ausgangspunkt und Motivation -- 7.2 Grundlegende Konzepte und Anwendungsbereiche -- 7.2.1 Bildbasierende Defekterkennung und Qualitätssicherung in der Produktion -- 7.2.2 Computer Vision und Image Mining -- 7.2.3 Defekterkennung und Qualitätssicherung in Echtzeit als Real Time Analytics Anwendung -- 7.2.4 Defekterkennung und Qualitätssicherung in der Additive Fertigungsverfahren -- 7.3 Wissenschaftliche Methodik -- 7.3.1 Literaturanalyse -- 7.3.2 Gestaltungsorientierter Forschungsansatz -- 7.4 Defekterkennungs- und Qualitätssicherungs-Anwendungen in der Produktion -- 7.4.1 Prototyp für die Additive Fertigung -- 7.4.2 Literaturanalyse zu Defekterkennung- und Qualitätssicherungssystemen -- 7.4.2.1 Anwendungsgebiete und - Bereiche -- 7.4.2.2 Techniken und Methoden -- 7.4.2.3 Ausführung in Echtzeit -- 7.5 Diskussion der Ergebnisse -- 7.6 Fazit -- Literatur -- 8: Deep Learning in der Landwirtschaft - Analyse eines Weinbergs -- 8.1 Der digitale Wandel in der Landwirtschaft -- 8.2 Methodischer Hintergrund -- 8.2.1 Objekterkennung auf Basis von Deep Learning -- 8.2.2 Vorgehensweise zur Modellerstellung und -anwendung -- 8.3 Modellerstellung -- 8.3.1 Datenauswahl -- 8.3.2 Vorverarbeitung und Transformation -- 8.3.3 Auswahl und Training der OD-Modelle -- 8.3.4 Evaluation der Modellergebnisse -- 8.4 Modellanwendung -- 8.4.1 Rebenzählung mittels Motion Tracking -- 8.4.2 Rebenabstände und Fehlstellenerkennung -- 8.4.3 Ernteprognose durch erweiterte Modelle zur Trauben- und Beerenzählung -- 8.4.4 Geoanalyse -- 8.5 Diskussion und Handlungsempfehlungen.
,
8.6 Fazit und Ausblick -- Literatur -- Teil IV: Prädiktive Modelle -- 9: Data Pipelines in Big Data Analytics - Fallbeispiel Religion in der US Politik -- 9.1 Einleitung: Daten unser alltägliches Gut -- 9.2 Kontext: Das Web als Datenquelle -- 9.3 Data Pipelines im Data Engineering -- 9.4 Data Pipelines "light" für die Wirtschafts- und Sozialwissenschaften -- 9.4.1 Motivation: Chancen von Big Data aus dem programmable Web -- 9.4.2 Data Pipelines "light" -- 9.5 Fallstudie: Religion in der US Politik -- 9.5.1 Hintergrund -- 9.5.2 Datenquelle -- 9.5.3 Datenbeschaffung -- 9.5.4 Datenaufbereitung -- 9.5.5 Datenanalyse und Ergebnisse -- 9.6 Diskussion und Ausblick -- Literatur -- 10: Self-Service Data Science - Vergleich von Plattformen zum Aufbau von Entscheidungsbäumen -- 10.1 Einleitung -- 10.2 Klassifikationsmethoden als Form der Data Science -- 10.2.1 Partition -- 10.2.2 Auswahl von Attributen -- 10.2.3 Entscheidungsbäume -- 10.2.4 Typen von Entscheidungsbäumen -- 10.3 Untersuchung verschiedener Data-Mining-Plattformen -- 10.3.1 Versuchsreihe -- 10.3.2 Auswertung der Versuchsreihe -- 10.4 Vorstellung einer wissensbasierten Komplexitätsreduzierung für Entscheidungsbäume -- 10.4.1 Komplexitätsreduktion in Entscheidungsbäumen -- 10.4.2 Substitutionen -- 10.4.3 Automatisiertes Erzeugen der Filter -- 10.5 Fazit -- Literatur -- Teil V: Trendforschung -- 11: Einfluss von Covid-19 auf Wertschöpfungsketten - Fallbeispiel Verkehrsdaten -- 11.1 Die Corona-Pandemie und ökonomische Analysen -- 11.2 Die Bedeutung von Wertschöpfungsketten in der deutschen Volkswirtschaft -- 11.3 Zusammenhang LKW-Daten und Industrieproduktion am Beispiel von Nordrhein-Westfalen -- 11.4 Echtzeitverkehrsdaten für NRW -- 11.5 Ergebnisse der Fallstudie und Ableitungen -- Literatur -- 12: Intelligente Bots für die Trendforschung - Eine explorative Studie.
,
12.1 Umfeldscanningsysteme im Unternehmenskontext -- 12.2 Aktuelle Herausforderungen im Umfeldscanning -- 12.2.1 Activity Theory -- 12.2.2 Die Unternehmen -- 12.2.3 Die Aktivitäten im Umfeldscanning -- 12.2.4 Herausforderungen im Umfeldscanning -- 12.3 Konzept zum Einsatz von künstlicher Intelligenz im Umfeldscanning -- 12.3.1 Themenerkennung -- 12.3.2 Trenderkennung -- 12.3.3 Trendbeobachtung -- 12.4 Drei praxisnahe Szenarien -- 12.4.1 Robotik im Gesundheitswesen -- 12.4.2 Ernährungstrends -- 12.4.3 Nächste Generation der künstlichen Intelligenz -- 12.5 KI-gestütztes Umfeldscanning als Chance für Unternehmen -- Literatur -- Glossar -- Stichwortverzeichnis.
Additional Edition:
ISBN 9783658322359
Additional Edition:
ISBN 3658322357
Language:
German
Subjects:
Computer Science
Keywords:
Lehrbuch
;
Lehrbuch
URL:
Volltext
(URL des Erstveröffentlichers)
URL:
https://static.onleihe.de/content/springer/20210402/9783658322366/v9783658322366.pdf
URL:
https://static.onleihe.de/images/springer/20210402/9783658322366/tn9783658322366l.jpg
URL:
https://voebb.onleihe.de/berlin/frontend/mediaInfo,51-0-1503888650-100-0-0-0-0-0-0-0.html
URL:
Volltext
(URL des Erstveröffentlichers)
Bookmarklink
