Data Awareness & Data Management
Die Wettbewerbsfähigkeit von Unternehmen hängt immer stärker von einem professionellen und effizienten Datenmanagement ab. In vielen Unternehmen fehlt jedoch nach wie vor ein grundsätzliches Verständnis dafür, wie eigene Datenbestände sinnvoll verwaltet, aufbereitet und im Interesse des Unternehmens oder der Organisation nutzbar gemacht werden können. Dazu braucht es ein grundlegendes Verständnis für Daten, sozusagen eine Datenkompetenz unter MitarbeiterInnen.
Big Data Analytics & Data Engineering
Big Data Analytics untersucht und analysiert große Datenmengen aus unterschiedlichen Quellen. Im Unternehmenskontext können das bspw. Website-Daten, Daten zum Kundenverhalten, Controlling- und Mitarbeiterdaten sowie Open-Source-Datenbanken sein. Durch gut aufbereitete Daten und daraus erkennbare Muster lassen sich Unternehmensprozesse verbessern oder Geschäftsmodelle optimieren.Data Engineering beschreibt dabei eine wesentliche Grundvoraussetzung für effiziente Datenanalysen: dem Aufbau von geeigneten Datenarchitekturen und -systemen. Erst dadurch lassen sich Daten systematisch sammeln, aufbereiten und nutzbar machen. Für Unternehmen besteht die Herausforderung darin, unterschiedliche Datenquellen sinnvoll zusammenzuführen und an das eigene Geschäftsmodell anzupassen, um somit Wertschöpfung zu generieren.
Data Science Life Cycle für Unternehmen
Der Data Science Life Cycle ist ein strategischer Ansatz für die erfolgreiche Umsetzung von Datenprojekten im Unternehmen. Es umfasst alle wichtigen Schritte für erfolgreiches Datenmanagement: Business Understanding, Data Mining, Data Cleaning, Data Exploration, Data Engineering, Predictive Modelling & Analytics und schließlich die Datenvisualisierung. Dadurch sind Unternehmen in der Lage, Datenprojekte bzw. Business Cases von Beginn bis Ende an strukturiert und ergebnisorientiert umzusetzen.Einen zusätzlichen Mehrwert kann hierbei die Kombination mit Design Thinking bringen. Die Verknüpfung von Data Science und Design Thinking bietet die einzigartige Möglichkeit, die eigentliche Challenge von Beginn an richtig zu definieren, zu verstehen, zu prototypisieren und zu testen. Als Methode hilft Design Thinking vor allem dabei, Projekte nutzerorientiert auszurichten und die Zielstellung immer wieder zu überprüfen, ohne sich lediglich der Umsetzung des Projekts zu widmen. Die dadurch erzielten Ergebnisse können für Unternehmen oft wertvoller sein, als ursprünglich intendiert.
Business Intelligence
Business Intelligence (BI) hat einen speziellen technologie- und toolgetriebenen Fokus und unterstützt beim (Daten-)management sowie bei der Visualisierung verwertbarer Informationen gegenüber Entscheidungsträgern. BI umfasst eine Vielzahl von Tools, Anwendungen und Methoden, die es Unternehmen ermöglichen, Daten aus internen Systemen und externen Quellen zu sammeln und sie für Analysen vorzubereiten. Basierend darauf können Abfragen ausgeführt und Berichte, Dashboards und Datenvisualisierungen erstellt werden.
KI-Grundlagen, Steuerung & Management von KI-Projekten
Künstliche Intelligenz (KI) ist nicht neu, erfährt durch Big Data (Verfügbarkeit gigantischer Datenmengen) sowie größere Rechenleistung von Computern und besserer Software- und Programmierlösung ganz neue Möglichkeiten. Damit sind für Unternehmen nicht nur schnellere und genauere Datenerkenntnisse möglich, sondern auch der Einsatz konkreter, intelligenter Lösungen zur systematischen Optimierung von Unternehmensprozessen oder ganzer Geschäftsmodelle. Hier gilt: der Einsatz von KI erfordern in erster Linie gutes Management und zielorientierte Steuerung.
Data Science mit Python, Machine Learning, Deep Learning
Um unmittelbar mit Daten zu arbeiten, benötigt man Software-Lösungen, Analyse-Tools oder einfache Programmiersprachen. Es gibt mittlerweile unzählige Lösungen am Markt. Eine universelle und leicht erlernbare Anwendung für Datenanalysen (und Data Science im Allgemeinen) stellt die Programmiersprache Python dar.Machine Learning und Machine Learning-Algorithmen sind ein elementarer Teilbereich von Künstlicher Intelligenz. Man unterscheidet man zwischen überwachtem Lernen (supervised) und unüberwachtem Lernen (unsupervised), bei dem die notwendigen Parameter von einem Programmierer festgelegt werden. Auch hierfür eignet sich die Programmiersprache Python gut zum Lernen und für die Anwendung an konkreten Cases. Deep Learning (DL) ist eine spezielle Teildisziplin von Machine und sozusagen die Königsdisziplin im Bereich der Künstlichen Intelligenz. Deep-Learning-Algorithmen sind die derzeit spannendste Algorithmus-Klasse, da es sich hierbei um selbstlernende Systeme aus mehrstufigen Strukturen von Algorithmen handelt, welche man auch als „neuronale Netze“ bezeichnet. Durch die Vielschichtigkeit der Algorithmen und die Unmengen an Daten, die trainiert werden können, sind sehr präzise Schlussfolgerungen möglich, welches die Systeme bei der weiteren Informationsverarbeitung wieder mit einbeziehen können. Hier liegt auch aktuell das größte Potential im Bereich der künstlichen Intelligenz.