Melden Sie sich bei getAbstract an, um die Zusammenfassung zu erhalten.

Erfolg dank Data Science

Melden Sie sich bei getAbstract an, um die Zusammenfassung zu erhalten.

Erfolg dank Data Science

Ein Handbuch für Business-Leader

Columbia Business School Publishing,

15 Minuten Lesezeit
8 Take-aways
Audio & Text

Was ist drin?

Führungskräfte brauchen ein grundlegendes Verständnis von Data Science – sonst verpassen Sie große Chancen.

  • 0.5×
  • 0.75×
  • 1×
  • 1.25×
  • 1.5×
  • 1.75×
1×

Bewertung der Redaktion

8

Qualitäten

  • Überblick
  • Praktische Beispiele
  • Für Einsteiger

Rezension

Wer heute ein Unternehmen oder eine Abteilung leitet, sollte sich schlau in Sachen Data Science machen – auch wenn sie oder er im Gegensatz zu den beiden Autoren dieses Buches kaum direkt damit zu tun hat. Nur wer die Optionen versteht, die die Datenwissenschaft dem eigenen Business bieten kann, wird ein Maximum dessen herausholen, was heute möglich ist. Dieser praxisorientierte Leitfaden enthält eine Vielzahl konkreter Beispiele – eine Lektüre mit großem Aha-Potenzial.

Zusammenfassung

Arbeiten Sie mit Ihrem Data-Science-Team zusammen, um einen optimalen Daten-Workflow aufzusetzen.

Steve, der Teamleiter eines großen Finanzunternehmens, wollte die Arbeitsabläufe in der Inkassoabteilung verbessern. Sein Ziel war, die eingezogenen Beträge zu maximieren und die Kosten so gering wie möglich zu halten. Er konnte dafür aber nicht mehr Personal einstellen. Also brauchte das Unternehmen einen Prozess, der mithilfe von datengestützten Erkenntnissen bestimmte Konten priorisierte und den Mitarbeitenden half, effektiver zu arbeiten. Mit diesem Ziel vor Augen wandte Steve sich an das Data-Science-Team. Er erklärte, worauf es ihm ankam und welche Einschränkungen es in der Inkassoabteilung gab. Anschließend entwickelten Steve und die Data-Scientists gemeinsam einen Daten-Workflow, um das Problem zu lösen.

Daten aus verschiedenen Quellen zu sammeln und an einem Ort zusammenzuführen, ist in der Regel ein automatisierter Prozess, der als „Extrahieren, Transformieren und Laden (ETL)“ bezeichnet wird. Unternehmen können Daten aus bestehenden Datenbanken extrahieren oder relationale Datenbanken aus der Kaufhistorie ihrer Kundschaft, aus Telefonaten...

Über die Autoren

Howard Steven Friedman ist Data-Scientist mit Erfahrung sowohl im privaten als auch im öffentlichen Sektor. Er ist außerordentlicher Professor an der Columbia University. Akshay Swaminathan ist ebenfalls Data-Scientist. Er ist auf Gesundheitssysteme spezialisiert. An der Stanford University School of Medicine ist er Knight-Hennessy-Stipendiat.

Kommentar abgeben

  • Avatar
    Anmelden
  • Avatar
    E. B. vor 4 Tagen
    An der Uni funktioniert das so vielleicht, dass alles nur als temporäres Projekt betrachtet wird. In der Industrie müssen die Projekte auch im Nachgang betrieben werden und da sind weitere und evtl. andere Ressourcen hinzuzufügen, sonst marodiert die super teure Entwicklung, ist gealtert und schließlich mehr wert. Ohne definierte Verantwortlichkeiten ist der Betrieb sehr schwer und der Nutzen der Entwicklung nicht klar. Hand in Hand mit PM ist m.E. nicht ausreichend gedacht für einen nachhaltigen Erfolg. Auf eine Bewertung von 8 käme ich hier nicht. Buch ist sehr stark auf Medizin Use Cases ausgerichtet. Ziemlich einseitig , was m.E. die Bewertung ebenfalls mindert.