Learn what it takes to succeed in the the most in-demand tech job Harvard Business Review calls it the sexiest tech job of the 21st century. Data scientists are in demand, and this unique book shows you exactly what employers want and the skill set that separates the quality data scientist from other talented IT professionals. Data science involves extracting, creating, and processing data to turn it into business value. With over 15 years of big data, predictive modeling, and business analytics experience, author Vincent Granville is no stranger to data science. In this one-of-a-kind guide, he provides insight into the essential data science skills, such as statistics and visualization techniques, and covers everything from analytical recipes and data science tricks to common job interview questions, sample resumes, and source code. The applications are endless and varied: automatically detecting spam and plagiarism, optimizing bid prices in keyword advertising, identifying new molecules to fight cancer, assessing the risk of meteorite impact. Complete with case studies, this book is a must, whether you're looking to become a data scientist or to hire one. Explains the finer points of data science, the required skills, and how to acquire them, including analytical recipes, standard rules, source code, and a dictionary of terms Shows what companies are looking for and how the growing importance of big data has increased the demand for data scientists Features job interview questions, sample resumes, salary surveys, and examples of job ads Case studies explore how data science is used on Wall Street, in botnet detection, for online advertising, and in many other business-critical situations Developing Analytic Talent: Becoming a Data Scientist is essential reading for those aspiring to this hot career choice and for employers seeking the best candidates.
Daten, 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.
Die wichtigsten Tools für die Datenanalyse und-bearbeitung im praktischen Einsatz Python effizient für datenintensive Berechnungen einsetzen mit IPython und Jupyter Laden, Speichern und Bearbeiten von Daten und numerischen Arrays mit NumPy und Pandas Visualisierung von Daten mit Matplotlib Python ist für viele die erste Wahl für Data Science, weil eine Vielzahl von Ressourcen und Bibliotheken zum Speichern, Bearbeiten und Auswerten von Daten verfügbar ist. In diesem Buch erläutert der Autor den Einsatz der wichtigsten Tools. Für Datenanalytiker und Wissenschaftler ist dieses umfassende Handbuch von unschätzbarem Wert für jede Art von Berechnung mit Python sowie bei der Erledigung alltäglicher Aufgaben. Dazu gehören das Bearbeiten, Umwandeln und Bereinigen von Daten, die Visualisierung verschiedener Datentypen und die Nutzung von Daten zum Erstellen von Statistiken oder Machine-Learning-Modellen. Dieses Handbuch erläutert die Verwendung der folgenden Tools: ● IPython und Jupyter für datenintensive Berechnungen ● NumPy und Pandas zum effizienten Speichern und Bearbeiten von Daten und Datenarrays in Python ● Matplotlib für vielfältige Möglichkeiten der Visualisierung von Daten ● Scikit-Learn zur effizienten und sauberen Implementierung der wichtigsten und am meisten verbreiteten Algorithmen des Machine Learnings Der Autor zeigt Ihnen, wie Sie die zum Betreiben von Data Science verfügbaren Pakete nutzen, um Daten effektiv zu speichern, zu handhaben und Einblick in diese Daten zu gewinnen. Grundlegende Kenntnisse in Python werden dabei vorausgesetzt. Leserstimme zum Buch: »Wenn Sie Data Science mit Python betreiben möchten, ist dieses Buch ein hervorragender Ausgangspunkt. Ich habe es sehr erfolgreich beim Unterrichten von Informatik- und Statistikstudenten eingesetzt. Jake geht weit über die Grundlagen der Open-Source-Tools hinaus und erläutert die grundlegenden Konzepte, Vorgehensweisen und Abstraktionen in klarer Sprache und mit verständlichen Erklärungen.« – Brian Granger, Physikprofessor, California Polytechnic State University, Mitbegründer des Jupyter-Projekts
Ständige Ablenkung ist heute das Hindernis Nummer eins für ein effizienteres Arbeiten. Sei es aufgrund lauter Großraumbüros, vieler paralleler Kommunikationskanäle, dauerhaftem Online-Sein oder der Schwierigkeit zu entscheiden, was davon nun unsere Aufmerksamkeit am meisten benötigt. Sich ganz auf eine Sache konzentrieren zu können wird damit zu einer raren, aber wertvollen und entscheidenden Fähigkeit im Arbeitsalltag. Cal Newport prägte hierfür den Begriff "Deep Work", der einen Zustand völlig konzentrierter und fokussierter Arbeit beschreibt, und begann die Regeln und Denkweisen zu erforschen, die solch fokussiertes Arbeiten fördern. Mit seiner Deep-Work-Methode verrät Newport, wie man sich systematisch darauf trainiert, zu fokussieren, und wie wir unser Arbeitsleben nach den Regeln der Deep-Work-Methode neu organisieren können. Wer in unserer schnelllebigen und sprunghaften Zeit nicht untergehen will, für den ist dieses Konzept unerlässlich. Kurz gesagt: Die Entscheidung für Deep Work ist eine der besten, die man in einer Welt voller Ablenkungen treffen kann.
Zuverlässige Vorhersagen sind doch möglich! Nate Silver ist der heimliche Gewinner der amerikanischen Präsidentschaftswahlen 2012: ein begnadeter Statistiker, als »Prognose-Popstar« und »Wundernerd« weltberühmt geworden. Er hat die Wahlergebnisse aller 50 amerikanischen Bundesstaaten absolut exakt vorausgesagt – doch damit nicht genug: Jetzt zeigt Nate Silver, wie seine Prognosen in Zukunft Terroranschläge, Umweltkatastrophen und Finanzkrisen verhindern sollen. Gelingt ihm die Abschaffung des Zufalls? Warum werden Wettervorhersagen immer besser, während die Terrorattacken vom 11.09.2001 niemand kommen sah? Warum erkennen Ökonomen eine globale Finanzkrise nicht einmal dann, wenn diese bereits begonnen hat? Das Problem ist nicht der Mangel an Informationen, sondern dass wir die verfügbaren Daten nicht richtig deuten. Zuverlässige Prognosen aber würden uns helfen, Zufälle und Ungewissheiten abzuwehren und unser Schicksal selbst zu bestimmen. Nate Silver zeigt, dass und wie das geht. Erstmals wendet er seine Wahrscheinlichkeitsrechnung nicht nur auf Wahlprognosen an, sondern auf die großen Probleme unserer Zeit: die Finanzmärkte, Ratingagenturen, Epidemien, Erdbeben, den Klimawandel, den Terrorismus. In all diesen Fällen gibt es zahlreiche Prognosen von Experten, die er überprüft – und erklärt, warum sie meist falsch sind. Gleichzeitig schildert er, wie es gelingen kann, im Rauschen der Daten die wesentlichen Informationen herauszufiltern. Ein unterhaltsamer und spannender Augenöffner!
Wozu sollte man R lernen? Da gibt es viele Gründe: Weil man damit natürlich ganz andere Möglichkeiten hat als mit einer Tabellenkalkulation wie Excel, aber auch mehr Spielraum als mit gängiger Statistiksoftware wie SPSS und SAS. Anders als bei diesen Programmen hat man nämlich direkten Zugriff auf dieselbe, vollwertige Programmiersprache, mit der die fertigen Analyse- und Visualisierungsmethoden realisiert sind – so lassen sich nahtlos eigene Algorithmen integrieren und komplexe Arbeitsabläufe realisieren. Und nicht zuletzt, weil R offen gegenüber beliebigen Datenquellen ist, von der einfachen Textdatei über binäre Fremdformate bis hin zu den ganz großen relationalen Datenbanken. Zudem ist R Open Source und erobert momentan von der universitären Welt aus die professionelle Statistik. R kann viel. Und Sie können viel mit R machen – wenn Sie wissen, wie es geht. Willkommen in der R-Welt: Installieren Sie R und stöbern Sie in Ihrem gut bestückten Werkzeugkasten: Sie haben eine Konsole und eine grafische Benutzeroberfläche, unzählige vordefinierte Analyse- und Visualisierungsoperationen – und Pakete, Pakete, Pakete. Für quasi jeden statistischen Anwendungsbereich können Sie sich aus dem reichen Schatz der R-Community bedienen. Sprechen Sie R! Sie müssen Syntax und Grammatik von R nicht lernen – wie im Auslandsurlaub kommen Sie auch hier gut mit ein paar aufgeschnappten Brocken aus. Aber es lohnt sich: Wenn Sie wissen, was es mit R-Objekten auf sich hat, wie Sie eigene Funktionen schreiben und Ihre eigenen Pakete schnüren, sind Sie bei der Analyse Ihrer Daten noch flexibler und effektiver. Datenanalyse und Statistik in der Praxis: Anhand unzähliger Beispiele aus Medizin, Wirtschaft, Sport und Bioinformatik lernen Sie, wie Sie Daten aufbereiten, mithilfe der Grafikfunktionen des lattice-Pakets darstellen, statistische Tests durchführen und Modelle anpassen. Danach werden Ihnen Ihre Daten nichts mehr verheimlichen.
Erfahren Sie alles über das Manipulieren, Bereinigen, Verarbeiten und Aufbereiten von Datensätzen mit Python: Aktualisiert auf Python 3.6, zeigt Ihnen dieses konsequent praxisbezogene Buch anhand konkreter Fallbeispiele, wie Sie eine Vielzahl von typischen Datenanalyse-Problemen effektiv lösen. Gleichzeitig lernen Sie die neuesten Versionen von pandas, NumPy, IPython und Jupyter kennen.Geschrieben von Wes McKinney, dem Begründer des pandas-Projekts, bietet Datenanalyse mit Python einen praktischen Einstieg in die Data-Science-Tools von Python. Das Buch eignet sich sowohl für Datenanalysten, für die Python Neuland ist, als auch für Python-Programmierer, die sich in Data Science und Scientific Computing einarbeiten wollen. Daten und zugehöriges Material des Buchs sind auf GitHub verfügbar.Aus dem Inhalt:Nutzen Sie die IPython-Shell und Jupyter Notebook für das explorative ComputingLernen Sie Grundfunktionen und fortgeschrittene Features von NumPy kennenSetzen Sie die Datenanalyse-Tools der pandasBibliothek einVerwenden Sie flexible Werkzeuge zum Laden, Bereinigen, Transformieren, Zusammenführen und Umformen von DatenErstellen Sie interformative Visualisierungen mit matplotlibWenden Sie die GroupBy-Mechanismen von pandas an, um Datensätzen zurechtzuschneiden, umzugestalten und zusammenzufassenAnalysieren und manipulieren Sie verschiedenste Zeitreihen-DatenFür diese aktualisierte 2. Auflage wurde der gesamte Code an Python 3.6 und die neuesten Versionen der pandas-Bibliothek angepasst. Neu in dieser Auflage: Informationen zu fortgeschrittenen pandas-Tools sowie eine kurze Einführung in statsmodels und scikit-learn.
Es wird alles immer schlimmer, eine schreckliche Nachricht jagt die andere: Die Reichen werden reicher, die Armen ärmer. Es gibt immer mehr Kriege, Gewaltverbrechen, Naturkatastrophen. Viele Menschen tragen solche beängstigenden Bilder im Kopf. Doch sie liegen damit grundfalsch. Unser Gehirn verführt uns zu einer dramatisierenden Weltsicht, die mitnichten der Realität entspricht, wie der geniale Statistiker und Wissenschaftler Hans Rosling erklärt. Wer das Buch gelesen hat, wird • ein sicheres, auf Fakten basierendes Gerüst besitzen, um die Welt so zu sehen, wie sie wirklich ist • die zehn gängigsten Arten von aufgebauschten Geschichten erkennen • bessere Entscheidungen treffen können • wahre Factfulness erreichen – jene offene, neugierige und entspannte Geisteshaltung, in der Sie nur noch Ansichten teilen und Urteile fällen, die auf soliden Fakten basieren
Wenn Sie programmieren können, beherrschen Sie bereits Techniken, um aus Daten Wissen zu extrahieren. Diese kompakte Einführung in die Statistik zeigt Ihnen, wie Sie rechnergestützt, anstatt auf mathematischem Weg Datenanalysen mit Python durchführen können. Praktischer Programmier-Workshop statt grauer Theorie: Das Buch führt Sie anhand eines durchgängigen Fallbeispiels durch eine vollständige Datenanalyse -- von der Datensammlung über die Berechnung statistischer Kennwerte und Identifikation von Mustern bis hin zum Testen statistischer Hypothesen. Gleichzeitig werden Sie mit statistischen Verteilungen, den Regeln der Wahrscheinlichkeitsrechnung, Visualisierungsmöglichkeiten und vielen anderen Arbeitstechniken und Konzepten vertraut gemacht. Statistik-Konzepte zum Ausprobieren: Entwickeln Sie über das Schreiben und Testen von Code ein Verständnis für die Grundlagen von Wahrscheinlichkeitsrechnung und Statistik: Überprüfen Sie das Verhalten statistischer Merkmale durch Zufallsexperimente, zum Beispiel indem Sie Stichproben aus unterschiedlichen Verteilungen ziehen. Nutzen Sie Simulationen, um Konzepte zu verstehen, die auf mathematischem Weg nur schwer zugänglich sind. Lernen Sie etwas über Themen, die in Einführungen üblicherweise nicht vermittelt werden, beispielsweise über die Bayessche Schätzung. Nutzen Sie Python zur Bereinigung und Aufbereitung von Rohdaten aus nahezu beliebigen Quellen. Beantworten Sie mit den Mitteln der Inferenzstatistik Fragestellungen zu realen Daten.
Das Meiste, was Rich O‘Connor als CEO der Beratungsfirma Tele¬graph Partners tat, hatte zumindest etwas mit einem der 4 Prinzipien zu tun, die auf seinem berühmt-berüchtigten »gelben Zettel« vermerkt waren. Interessanterweise wusste nur eine Handvoll Leute, was genau auf diesem gelben Zettel stand. Und so entwickelten sich diese Prinzipien zu einer Art Mysterium. Für Rich war das auch völlig okay, weil er sowieso fand, dass sie eigentlich auch niemand verstehen musste. Er hatte mit Sicherheit niemals vorhersehen können, dass dieser Zettel für einen Mitarbeiter die Grundlage für den Plan zur Vernichtung von Telegraph Partners werden würde ... Rivalität, Intrigen und Verrat – in seinem Buch DIE VIER PRINZIPIEN EINER AUSSERGEWÖHNLICHEN FÜHRUNGSKRAFT liefert Patrick Lencioni erneut eine spannende Geschichte. Dabei fokussiert er sich auf die entscheidende Rolle der Führungskraft beim Aufbau einer gesunden und reibungslos funktionierenden Organisation. Eine mitreißende Fabel mit einer starken und denkwürdigen Botschaft für alle, die eine außergewöhnliche Führungskraft werden wollen!
Die Themenbereiche Social Media Marketing und Data Analytics haben in den letzten Jahren auf Grund ihrer gesellschaftlichen, aber auch wirtschaftlichen Bedeutung starke Beachtung in Wissenschaft und Praxis erhalten. Beide Themenfelder sind durch eine hohe Dynamik gekennzeichnet, die sich u. a. in zahlreichen Weiterentwicklungen und damit neuen Möglichkeiten niederschlägt. Bei einer Betrachtung aktueller Entwicklungen in der Praxis und auch in der Wissenschaft zeigt sich, dass es sinnvoll ist, die beiden Themenfelder Social Media Marketing und Data Analytics nicht getrennt voneinander zu betrachten. Dabei wird deutlich, dass ein effektives Social Media Marketing, etwa also der Kundenservice oder das Controlling, nur mit entsprechenden Daten möglich ist. Andererseits durchdringt das moderne Datenmanagement wichtige weitere Bereiche der Privatwirtschaft und des öffentlichen Lebens. Die Herausgeber möchten in dem vorliegenden Buch einen aktuellen Überblick wichtiger Entwicklungen des Social Media Marketing und Data Analytics geben. Dr. Christopher Zerres ist Professor für Marketing an der Hochschule Offenburg. Seine Schwerpunkte in Lehre und Forschung liegen auf Social Media- und Online-Marketing sowie Marketing-Controlling. Zuvor war er bei einer Unternehmensberatung sowie einem internatio-nalen Automobilzulieferer tätig. Christopher Zerres ist Autor zahlreicher Publikationen zu den Bereichen Management und Marketing. / Dr. Dirk Drechsler ist Professor für betriebswirtschaftliches Sicherheitsmanagement an der Hochschule Offenburg. Seine Schwerpunkte im Bereich der Forschung und Lehre liegen auf Risikomanagement, Business Continuity Management und Business Analytics. Er studierte und promovierte an Universitäten in Deutschland, Japan und Schweiz. Danach war Herr Dr. Drechsler als externer und interner Prüfer, Risikomanager und in der Betrugsprävention in mehr als 30 Ländern u.a. leitend tätig.
A guide on how to visualise and tell stories with data, providing practical design tips complemented with step-by-step tutorials.
This book constitutes the refereed proceedings of the 46th Annual Conference of the Southern African Computer Lecturers' Association on ICT Education, SACLA 2017, held in Magaliesburg, South Africa, in July 2017. The 22 revised full papers presented together with an extended abstract of a keynote paper were carefully reviewed and selected from 63 submissions. The papers are organized in topical sections on ICT students of a new generation; technology and gaming in nowadays education; educational cooperation with the ICT industry; computer programming education; ICT courses and curricula.
The advent of digital technologies has changed the news and publishing industries drastically. While shrinking newsrooms may be a concern for many, journalists and publishing professionals are working to reorient their skills and capabilities to employ technology for the purpose of better understanding and engaging with their audiences. Contemporary Research Methods and Data Analytics in the News Industry highlights the research behind the innovations and emerging practices being implemented within the journalism industry. This crucial, industry-shattering publication focuses on key topics in social media and video streaming as a new form of media communication as well the application of big data and data analytics for collecting information and drawing conclusions about the current and future state of print and digital news. Due to significant insight surrounding the latest applications and technologies affecting the news industry, this publication is a must-have resource for journalists, analysts, news media professionals, social media strategists, researchers, television news producers, and upper-level students in journalism and media studies. This timely industry resource includes key topics on the changing scope of the news and publishing industries including, but not limited to, big data, broadcast journalism, computational journalism, computer-mediated communication, data scraping, digital media, news media, social media, text mining, and user experience.
As data holdings get bigger and questions get harder, data scientists and analysts must focus on the systems, the tools and techniques, and the disciplined process to get the correct answer, quickly! Whether you work within industry or government, this book will provide you with a foundation to successfully and confidently process large amounts of quantitative data. Here are just a dozen of the many questions answered within these pages: What does quantitative analysis of a system really mean? What is a system? What are big data and analytics? How do you know your numbers are good? What will the future data science environment look like? How do you determine data provenance? How do you gather and process information, and then organize, store, and synthesize it? How does an organization implement data analytics? Do you really need to think like a Chief Information Officer? What is the best way to protect data? What makes a good dashboard? What is the relationship between eating ice cream and getting attacked by a shark? The nine chapters in this book are arranged in three parts that address systems concepts in general, tools and techniques, and future trend topics. Systems concepts include contrasting open and closed systems, performing data mining and big data analysis, and gauging data quality. Tools and techniques include analyzing both continuous and discrete data, applying probability basics, and practicing quantitative analysis such as descriptive and inferential statistics. Future trends include leveraging the Internet of Everything, modeling Artificial Intelligence, and establishing a Data Analytics Support Office (DASO). Many examples are included that were generated using common software, such as Excel, Minitab, Tableau, SAS, and Crystal Ball. While words are good, examples can sometimes be a better teaching tool. For each example included, data files can be found on the companion website. Many of the data sets are tied to the global economy because they use data from shipping ports, air freight hubs, largest cities, and soccer teams. The appendices contain more detailed analysis including the 10 T’s for Data Mining, Million Row Data Audit (MRDA) Processes, Analysis of Rainfall, and Simulation Models for Evaluating Traffic Flow.
Ob Kaufverhalten, Grippewellen oder welche Farbe am ehesten verrät, ob ein Gebrauchtwagen in einem guten Zustand ist – noch nie gab es eine solche Menge an Daten und noch nie bot sich die Chance, durch Recherche und Kombination in der Daten¬flut blitzschnell Zusammenhänge zu entschlüsseln. Big Data bedeutet nichts weniger als eine Revolution für Gesellschaft, Wirtschaft und Politik. Es wird die Weise, wie wir über Gesundheit, Erziehung, Innovation und vieles mehr denken, völlig umkrempeln. Und Vorhersagen möglich machen, die bisher undenkbar waren. Die Experten Viktor Mayer-Schönberger und Kenneth Cukier beschreiben in ihrem Buch, was Big Data ist, welche Möglichkeiten sich eröffnen, vor welchen Umwälzungen wir alle stehen – und verschweigen auch die dunkle Seite wie das Ausspähen von persönlichen Daten und den drohenden Verlust der Privatsphäre nicht.
Ihre Daten erdrücken Sie? Ihre Tabellen verheddern sich regelmäßig? Wir haben ein Mittel, wie Sie Ihre Datenbanken in den Griff bekommen: SQL von Kopf bis Fuß nimmt Sie mit auf eine Reise durch die SQL-Welt, es geleitet Sie von einfachen INSERT-Anweisungen und SELECT-Abfragen zu knallharten Datenbank-Manipulationen mit Indizes, Joins und Transaktionen. Erwarten Sie dennoch Spaß, gehen Sie davon aus, etwas zu lernen, und machen Sie sich darauf gefasst, dass Sie Ihre Daten wie ein Profi abfragen, normalisieren und verknüpfen werden, noch bevor Sie dieses Buch ausgelesen haben. SQL von Kopf bis Fuß ist in einem visuell abwechslungsreichen Format gestaltet, das sich an den neuesten Forschungsergebnissen aus Kognitionswissenschaft und Lerntheorie orientiert und Ihnen das Lernen so einfach wie möglich machen soll. Das Buch bietet Ihnen ein unterhaltsames Lernerlebnis und spielt Ihnen SQL direkt ins Hirn - und zwar so, dass es sitzt.
Datenbanken sind das beste Werkzeug, um wichtige Informationen im Auge zu behalten. Mit SQL k?nnen die vorhandenen Daten strukturiert und zielsicher abgefragt werden. In "SQL f?r Dummies" macht Allen G. Taylor die Leser mit der Abfragesprache SQL und dem aktuellen Standard SQL:2011 verst?ndlich und humorvoll vertraut. Er beginnt mit dem notwendigen Grundlagenwissen f?r den Aufbau eines Datenbankmanagementsystems und den SQL-Hauptkomponenten, zeigt auf, wie man die Daten erstellt, ordnet und abfragt und SQL-Anweisungen in Programme einbindet. Zudem erkl?rt er, wie SQL mit XML verkn?pft werden kann, um Websites mit einer Datenbank zu verbinden. Au?erdem gibt es jede Menge Profi-Informationen, wie man zum Beispiel Datenbanken und Daten sch?tzen kann und Fehler lokalisiert und behebt.
Python ist eine moderne, interpretierte, interaktive und objektorientierte Skriptsprache, vielseitig einsetzbar und sehr beliebt. Mit mathematischen Vorkenntnissen ist Python leicht erlernbar und daher die ideale Sprache für den Einstieg in die Welt des Programmierens. Das Buch führt Sie Schritt für Schritt durch die Sprache, beginnend mit grundlegenden Programmierkonzepten, über Funktionen, Syntax und Semantik, Rekursion und Datenstrukturen bis hin zum objektorientierten Design. Jenseits reiner Theorie: Jedes Kapitel enthält passende Übungen und Fallstudien, kurze Verständnistests und kleinere Projekte, an denen Sie die neu erlernten Programmierkonzepte gleich ausprobieren und festigen können. Auf diese Weise können Sie das Gelernte direkt anwenden und die jeweiligen Programmierkonzepte nachvollziehen. Lernen Sie Debugging-Techniken kennen: Am Ende jedes Kapitels finden Sie einen Abschnitt zum Thema Debugging, der Techniken zum Aufspüren und Vermeiden von Bugs sowie Warnungen vor entsprechenden Stolpersteinen in Python enthält. Starten Sie durch: Beginnen Sie mit den Grundlagen der Programmierung und den verschiedenen Programmierkonzepten, und lernen Sie, wie ein Informatiker zu programmieren.
Big Data in Unternehmen. Dieses neue Buch gibt Managern ein umfassendes Verständnis dafür, welche Bedeutung Big Data für Unternehmen zukünftig haben wird und wie Big Data tatsächlich genutzt werden kann. Am Ende jedes Kapitels aktivieren Fragen, selbst nach Lösungen für eine erfolgreiche Implementierung und Nutzung von Big Data im eigenen Unternehmen zu suchen. Die Schwerpunkte - Warum Big Data für Sie und Ihr Unternehmen wichtig ist - Wie Big Data Ihre Arbeit, Ihr Unternehmen und Ihre Branche verändern - - wird - Entwicklung einer Big Data-Strategie - Der menschliche Aspekt von Big Data - Technologien für Big Data - Wie Sie erfolgreich mit Big Data arbeiten - Was Sie von Start-ups und Online-Unternehmen lernen können - Was Sie von großen Unternehmen lernen können: Big Data und Analytics 3.0 Der Experte Thomas H. Davenport ist Professor für Informationstechnologie und -management am Babson College und Forschungswissenschaftler am MIT Center for Digital Business. Zudem ist er Mitbegründer und Forschungsdirektor am International Institute for Analytics und Senior Berater von Deloitte Analytics.

Best Books