Geleitwort: Den Menschen im Fokus – Datenschutz als Erfolgsfaktor für Big Data Technologien	5
	Vorwort	7
	Grußwort	9
	Grußwort: Data Science – Weiterbildung für die Zukunft	10
	Data Science – Entwicklungslinien und Trends	11
	Inhaltsverzeichnis	15
	Herausgeber- und Autorenverzeichnis	23
	Abbildungsverzeichnis	37
	Tabellenverzeichnis	41
	Teil I Data Strategist Digitalisierung von Geschäftsmodellen – Big Data Technologien erfolgreich implementieren	42
	1 Big Data	43
	Zusammenfassung	43
	1.1 Grundlagen	43
	1.2 Architektur und Bausteine	46
	1.3 Datengetriebene Geschäftsmodelle	55
	1.4 Exemplarische Einsatzmöglichkeiten	57
	Literatur	64
	2 Data Literacy als ein essenzieller Skill für das 21. Jahrhundert	66
	Zusammenfassung	66
	2.1 Notwendigkeit von Data Literacy	67
	2.2 Data Literacy als Begriff	69
	2.3 Data Literacy Skills im Detail	71
	2.4 Konzepte zur Implementation von Data Literacy in Lehre und Praxis	73
	2.5 Fazit	77
	Literatur	78
	3 Management von Big Data Projekten	80
	Zusammenfassung	80
	3.1 Konzeptioneller Rahmen des Informationsmanagements	80
	3.1.1 Überblick	81
	3.1.2 Aufgabenorientiertes Ebenenmodell	81
	3.1.3 Integriertes Informationsmanagement	83
	3.1.4 Einordnung von Big Data	84
	3.2 Digitalisierung von Geschäftsmodellen mit Big Data	85
	3.2.1 IT-Governance und Digitalisierung	85
	3.2.2 Von der IT-Strategie zur Business Digitalstrategie	88
	3.2.3 Management von Big Data	92
	3.2.4 Vorgehensmodelle zur Einführung von Big Data	93
	3.2.5 Messung des Reifegrades von Organisationen	96
	3.2.6 Auswirkungen von Big Data auf die Organisation	98
	Literatur	99
	4 Digital Leadership	102
	Zusammenfassung	102
	4.1 Führung im Digitalzeitalter	102
	4.2 New Work	103
	4.2.1 Mobile Arbeitsplätze	104
	4.2.2 Flexible Arbeitszeiten	104
	4.2.3 Veränderte Arbeitsinhalte	105
	4.2.4 Neue Arbeitsorganisation	106
	4.3 New Workforce	107
	4.3.1 Beschäftigungseffekte der Digitalisierung	107
	4.3.2 Rekrutierung von Generation Z	107
	4.4 Digital Leader	110
	4.4.1 Persönlichkeitsmerkmale	110
	4.4.2 Führungskompetenzen	111
	4.4.3 Virtuelle Führung	111
	4.5 Konzepte und Methoden für Digital Leadership	112
	4.5.1 SCRUM	112
	4.5.2 Design Thinking	115
	4.5.3 Servant Leadership	116
	4.5.4 VOPA?+?Modell	116
	4.6 Fazit	118
	Literatur	119
	Teil II Data Architect: Informationsarchitekturen gestalten – Daten effizient verwalten	121
	5 Data Engineering	122
	Zusammenfassung	122
	5.1 Aufgaben des Data Engineering	123
	5.2 Architekturen zum Daten-Management	124
	5.3 Datenmodellierung und Metadaten-Management	128
	5.4 Datenaufbereitung und Datenintegration	130
	5.5 Datenbank-Management-Systeme: SQL, NoSQL und Big Data	136
	5.6 Fazit	139
	Literatur	140
	6 Data Governance	142
	Zusammenfassung	142
	6.1 Einführung	142
	6.1.1 Begriffliche Einordnung	142
	6.1.2 Datenstrategie	144
	6.2 Data Governance Framework	146
	6.2.1 Strategie	146
	6.2.2 Aufbauorganisation	148
	6.2.3 Richtlinien, Prozesse und Standards	149
	6.2.4 Messen und Beobachten	150
	6.2.5 Technologie	151
	6.2.6 Kommunikation	153
	6.3 Data Quality Management (DQM)	154
	6.4 Fazit	155
	Literatur	155
	7 Einsatz von In-Memory Technologien	157
	Zusammenfassung	157
	7.1 Einleitung	157
	7.2 Definition und Abgrenzung In-Memory Technologien	159
	7.3 Anforderungen an den Einsatz einer In-Memory-Technologie	163
	7.4 Bewertung	165
	7.5 Fazit	167
	Literatur	167
	8 Big-Data-Technologien	168
	Zusammenfassung	168
	8.1 Einleitung	168
	8.2 Skalierbarkeit und Fehlertoleranz	169
	8.3 Volume – Management von großen Datenmengen	172
	8.4 Velocity – Kontinuierliche Verarbeitung von Datenströmen	177
	8.5 Variety – Unterstützung für die Zusammenführung von heterogenen Daten	180
	8.6 Fazit	183
	Literatur	183
	9 Information Data Models: Das Fundament einer guten Information Strategy	184
	Zusammenfassung	184
	9.1 Drei Thesen aus Sicht eines Praktikers	185
	9.2 It`s all about the information	187
	9.3 Das Heute und seine Hürden	187
	9.4 Wie es dazu gekommen ist	188
	9.5 Die Enterprise Architektur	189
	9.6 Drei Formen der Informations-Architektur und deren Auswirkungen	190
	9.6.1 Das Gestern und leider noch das Heute. Der anwendungszentrierte Ansatz (The Application Centric Approach)	190
	9.6.2 Das Heute und die Morgendämmerung, der datengesteuerte Ansatz (The Data Driven Approach)	191
	9.6.3 Das überfällige Übermorgen, die datenzentrische Architektur (The Data Centric Architecture)	194
	Literatur	197
	Teil III Data Analyst: Auswerten, Präsentieren, Entscheiden – Systematische Datenanalyse im Unternehmen	199
	10 Reporting multidimensionaler Daten und Kennzahlen	200
	Zusammenfassung	200
	10.1 Betriebswirtschaftliche Motivation	200
	10.1.1 Kennzahlen und ihre Anwendung	201
	10.1.2 Auswahl von Kennzahlen	202
	10.2 Daten und Business Intelligence	203
	10.2.1 Datenmodellierung	204
	10.2.2 Datensicherung	205
	10.2.3 Harmonisierung	206
	10.2.4 Daten-/Informationsqualität	206
	10.2.5 Datenbereitstellung	207
	10.3 Reporting/Berichtswesen	207
	10.3.1 Berichtsgrundformen	209
	10.3.2 Anforderungen an Berichte	210
	Literatur	210
	11 Fundamentale Analyse- und Visualisierungstechniken	212
	Zusammenfassung	212
	11.1 Einleitung und Begriffswelt	212
	11.2 Lineare Regression	215
	11.2.1 Basisidee und Begrifflichkeiten	215
	11.2.2 Beispiel und Ergebnisinterpretation	216
	11.2.3 Prüfen der Voraussetzungen und Variablentransformation	218
	11.3 Einfache Klassifikationsverfahren	219
	11.3.1 k-Nearest-Neighbors	219
	11.3.2 Naive Bayes	220
	11.3.3 Entscheidungsbäume	221
	11.4 Clustering-Verfahren	222
	11.4.1 Hierarchische Verfahren	222
	11.4.2 Partitionierende Verfahren	224
	11.5 Assoziationsanalyse	224
	11.6 Ergänzende Überlegungen, Software und Tools	225
	Literatur	226
	12 Fortgeschrittene Verfahren zur Analyse und Datenexploration, Advanced Analytics und Text Mining	227
	Zusammenfassung	227
	12.1 Einleitung	227
	12.2 Datenexploration und -darstellung	228
	12.3 Principal Component Analysis	229
	12.4 Random Forests	232
	12.5 Logistische Regression	232
	12.6 Entscheidungsbewertung	233
	12.7 Zeitreihenanalyse	234
	12.8 Text Mining	237
	12.9 Weitere Analysemöglichkeiten	239
	Literatur	240
	13 Datenbasierte Algorithmen zur Unterstützung von Entscheidungen mittels künstlicher neuronaler Netze	241
	Zusammenfassung	241
	13.1 Datenbasierte Algorithmen und maschinelles Lernen	241
	13.1.1 Maschinelles Lernen	242
	13.1.2 Lernverfahren	243
	13.2 Künstliche neuronale Netze	244
	13.2.1 Netzarchitekturen	244
	13.2.2 Grenzen künstlicher neuronaler Netze	245
	13.3 Beispielhafte Anwendungsfelder	246
	13.4 Entwicklungsprozess	248
	13.5 Entwicklungsplattformen und Werkzeuge	249
	13.5.1 TensorFlow und PyTorch	250
	13.5.2 Ausführungsmodi	251
	13.5.3 Deployment und Betrieb	252
	13.6 Fazit und Ausblick	254
	Literatur	255
	14 Künstliche Neuronale Netze – Aufbau, Funktion und Nutzen	257
	Zusammenfassung	257
	14.1 Einleitung	258
	14.2 Aufbau	259
	14.2.1 Künstliches Neuron	259
	14.2.2 Künstliche neuronale Netze	261
	14.3 Lernen künstlicher neuronaler Netze	265
	14.3.1 Überwachtes Lernen – Lernen mittels Backpropagation	266
	14.3.2 Unüberwachtes Lernen – Lernen mittels Wettbewerbslernen	267
	14.4 Nutzenpotenziale und Herausforderungen	268
	14.5 Fazit	270
	Literatur	270
	15 Bayesian Thinking in Machine Learning	272
	Zusammenfassung	272
	15.1 Bayesian Thinking	273
	15.2 Bayes in Machine Learning	276
	15.2.1 Bayes in Regressionsverfahren	276
	15.2.2 Bayes in Klassifikationsverfahren	280
	15.3 Naive Bayes Classifier	282
	15.3.1 Grundlagen	282
	15.3.2 Methodik	283
	15.4 Fazit	285
	Literatur	285
	Teil IV Anwendungsorientierte Data Science	287
	16 Text Mining: Durchführung einer Sentiment Analysis mit SAP HANA	288
	Zusammenfassung	288
	16.1 Einleitung	288
	16.2 Grundlagen	289
	16.3 Umsetzung	290
	16.3.1 Vorgehensmodell	290
	16.3.2 Implementierung	292
	16.3.2.1 Datenakquise	293
	16.3.2.2 Datenverarbeitung	295
	16.3.2.3 Datenanalyse	300
	16.4 Fazit	302
	Literatur	303
	17 Weiterbildung in Data Science	305
	Zusammenfassung	305
	17.1 Kompetenz-Rahmenwerke für Data Science	306
	17.2 Studiengänge zu Data Science	308
	17.3 Berufliche Weiterbildung zu Data Science	311
	17.3.1 Zertifikatsprogramm der Fraunhofer Gesellschaft zu Data Science	312
	17.3.2 Zertifikatsstudien der Hochschule Niederrhein	313
	17.3.3 Zertifikatslehrgang zum Data Scientist der Bitkom Akademie	315
	17.4 Fazit	316
	Literatur	317
	18 Plattformökonomie für Data Plattformen	318
	Zusammenfassung	318
	18.1 Motivation	318
	18.2 Begriffshaushalt	319
	18.2.1 Plattformen und Plattformökonomie	319
	18.2.2 Data Plattform	321
	18.3 Design-Prinzipien für Data Plattformen	323
	18.3.1 Netzwerkeffekte durch gemeinsam genutzte Datenobjekte	323
	18.3.2 Strategien für die Aktivierung von Plattformteilnehmern	324
	18.3.3 Einfacher Zugang durch Self-Service	325
	18.3.4 Effektives Matching durch Metadaten	326
	18.4 Monetarisierung	326
	18.5 Zusammenfassung und Fazit	327
	Literatur	329
	19 Akzeptanz und Nutzung von maschinellem Lernen und Analytics im Rechnungswesen und Controlling	331
	Zusammenfassung	331
	19.1 Eine Herausforderung für die Finanzfunktion	332
	19.2 Nutzerakzeptanzforschung zu maschinellem Lernen	333
	19.3 Befragung von Führungskräften	334
	19.3.1 Strukturgleichungsmodell	334
	19.3.2 Umfrage	334
	19.4 Aktuelle Nutzung und Treiber	336
	19.4.1 Ergebnisse der Befragung	336
	19.4.2 Treibermodell zur Nutzung und Akzeptanz	341
	19.5 Handlungsempfehlungen und Ausblick	343
	Literatur	344
	20 Durch Daten zu neuen Geschäftsmodellen und Prozessoptimierungen – im Kontext von Car-Sharing	346
	Zusammenfassung	346
	20.1 Kurze Einführung	346
	20.2 Durch Daten zu neuen Ideen und Optimierungen	347
	20.3 Umdenken im Unternehmen	350
	20.4 Durch ständige Überwachung zur stetigen Anpassung	353
	20.5 Mit ‚Lessons Learned‘ zur Optimierung von Geschäftsmodellen und -prozessen	356
	20.6 Fazit	360
	Literatur	360
	21 Einsatz von Logit- und Probit-Modellen in der Finanzindustrie	361
	Zusammenfassung	361
	21.1 Einleitung	361
	21.2 Logit- und Probit-Modelle	362
	21.3 Datengrundlage	364
	21.4 Modellierung	367
	21.5 Überprüfung der Modellannahmen	371
	21.6 Vorstellung der Ergebnisse	372
	21.7 Vergleichende Beurteilung	375
	Literatur	378
	Stichwortverzeichnis	381