Verfügbarkeit: Smart Data Analytics

Smart Data Analytics: Zusammenhänge erkennen, Potentiale nutzen, Big Data verstehen

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wierse, Andreas (VerfasserIn), Riedel, Till 1979- (VerfasserIn)
Format:	Buch
Sprache:	German
Veröffentlicht:	Berlin ; Boston De Gruyter Oldenbourg [2017]
Schriftenreihe:	De Gruyter Oldenbourg Praxishandbuch
Schlagworte:	Informationsmanagement Big Data Data Mining
Online-Zugang:	Inhaltsverzeichnis Inhaltsverzeichnis
Beschreibung:	XIV, 426 Seiten Illustrationen, Diagramme, Karten (farbig) 24 cm x 17 cm
ISBN:	9783110461848 9783110463965

Internformat

MARC


LEADER	00000nam a2200000 c 4500
001	BV044375109
003	DE-604
005	20181030
007	t
008	170628s2017 a\|\|\| \|\|\|\| 00\|\|\| ger d
015			\|a 16N43 \|2 dnb
015			\|a 17,A34 \|2 dnb
016	7		\|a 1116355787 \|2 DE-101
020			\|a 9783110461848 \|c Festeinband : EUR 69.95 (DE) (freier Preis), EUR 70.60 (AT) (freier Preis) \|9 978-3-11-046184-8
020			\|a 9783110463965 \|c Bundle \|9 978-3-11-046396-5
035			\|a (OCoLC)989871608
035			\|a (DE-599)DNB1116355787
040			\|a DE-604 \|b ger \|e rda
041	0		\|a ger
049			\|a DE-29T \|a DE-M347 \|a DE-1050 \|a DE-1102 \|a DE-1049 \|a DE-1046 \|a DE-862 \|a DE-92 \|a DE-739 \|a DE-11 \|a DE-473 \|a DE-706 \|a DE-91G \|a DE-860 \|a DE-255 \|a DE-1043 \|a DE-703 \|a DE-861 \|a DE-355 \|a DE-N2 \|a DE-384 \|a DE-634
082	0		\|a 658.4038 \|2 22/ger
084			\|a ST 265 \|0 (DE-625)143634: \|2 rvk
084			\|a ST 530 \|0 (DE-625)143679: \|2 rvk
084			\|a QP 345 \|0 (DE-625)141866: \|2 rvk
084			\|a DAT 675f \|2 stub
084			\|a 650 \|2 sdnb
084			\|a DAT 362f \|2 stub
100	1		\|a Wierse, Andreas \|e Verfasser \|0 (DE-588)1136618635 \|4 aut
245	1	0	\|a Smart Data Analytics \|b Zusammenhänge erkennen, Potentiale nutzen, Big Data verstehen \|c Andreas Wierse, Till Riedel
264		1	\|a Berlin ; Boston \|b De Gruyter Oldenbourg \|c [2017]
264		4	\|c © 2017
300			\|a XIV, 426 Seiten \|b Illustrationen, Diagramme, Karten (farbig) \|c 24 cm x 17 cm
336			\|b txt \|2 rdacontent
337			\|b n \|2 rdamedia
338			\|b nc \|2 rdacarrier
490	0		\|a De Gruyter Oldenbourg Praxishandbuch
650	0	7	\|a Informationsmanagement \|0 (DE-588)4114012-6 \|2 gnd \|9 rswk-swf
650	0	7	\|a Big Data \|0 (DE-588)4802620-7 \|2 gnd \|9 rswk-swf
650	0	7	\|a Data Mining \|0 (DE-588)4428654-5 \|2 gnd \|9 rswk-swf
689	0	0	\|a Big Data \|0 (DE-588)4802620-7 \|D s
689	0	1	\|a Data Mining \|0 (DE-588)4428654-5 \|D s
689	0	2	\|a Informationsmanagement \|0 (DE-588)4114012-6 \|D s
689	0		\|5 DE-604
700	1		\|a Riedel, Till \|d 1979- \|e Verfasser \|0 (DE-588)132943433 \|4 aut
776	0	8	\|i Erscheint auch als \|n Online Ausgabe, PDF \|z 978-3-11-046395-8 \|w (DE-604)BV044398008
776	0	8	\|i Erscheint auch als \|n Online Ausgabe, EPUB \|z 978-3-11-046191-6
856	4	2	\|m DNB Datenaustausch \|q application/pdf \|u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=029777437&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA \|3 Inhaltsverzeichnis
856	4	2	\|m Digitalisierung UB Passau - ADAM Catalogue Enrichment \|q application/pdf \|u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=029777437&sequence=000003&line_number=0002&func_code=DB_RECORDS&service_type=MEDIA \|3 Inhaltsverzeichnis
999			\|a oai:aleph.bib-bvb.de:BVB01-029777437

Datensatz im Suchindex

DE-BY-862_location	2000
DE-BY-FWS_call_number	2000/ST 530 W648
DE-BY-FWS_katkey	652999
DE-BY-FWS_media_number	083000517914
_version_	1806176830479138816
adam_text	INHALT VORWORT DER AUTOREN * V 1 EINLEITUNG* 1 1.1 EIN MOTIVIERENDES BEISPIEL * 1 1.2 FUER WEN IST DIESES BUCH UND WIE KANN MAN ES LESEN? * 8 1.3 SMART DATA SOLUTIONS STATT BIG DATA * 10 1.4 DAS SMART DATA SOLUTION CENTER BADEN-WUERTTEMBERG ----- 14 1.4.1 WARUM EIN SMART DATA SOLUTION CENTER? * 15 1.4.2 ABLAUF EINER POTENTIALANALYSE* 16 1.4.3 DREI BEISPIELE * 17 1.4.4 DIE PARTNER* 21 1.4.5 DAS SMART DATA INNOVATION LAB * 23 2 GRUNDLAGEN * 25 2.1 SMART DATA VS. BIG DATA * 25 2.1.1 DIE 3VS: VOLUME, VELOCITY, VARIETY* 26 2.1.2 VERACITY, VALIDITY, VALUE * 27 2.1.3 VARIABILITY, VENUE, VOCABULARY* 29 2.1.4 DAS VERBLIEBENE V: VAGUENESS * 30 2.1.5 SMART DATA * 31 2.2 DATENGETRIEBENE INNOVATION ------ 33 2.2.1 BUSINESS INTELLIGENCE UND VERBESSERUNGSPROZESSE * 35 2.2.2 OPERATIVE GESCHAEFTSDATEN FUER INNOVATION NUTZEN * 36 2.2.3 VOM EINGEBETTETEN SYSTEM ZUM DATENSEE * 37 2.2.4 KONTEXTSENSITIVE SYSTEME* 39 2.3 DATA ANALYTICS UND MASCHINELLES LERNEN * 46 2.3.1 BUSINESS ANALYTICS * 49 2.3.2 KLASSIFIKATION EINES MERKMALSRAUMS * 50 2.3.3 SUPERVISED LEARNING* 53 2.3.4 PRAEDIKTION UND PRAEDIKTIVE ANALYSE * 57 2.4 DIE BEWERTUNG VON VORHERSAGEN ----- 60 2.4.1 FEHLERMASSE ALS BEWERTUNGSFUNKTION * 60 2.4.2 VALIDIERUNGSSCHEMA * 66 2.4.3 AUTOMATISCHE VERBESSERUNG VON KLASSIFIKATOREN * 73 2.5 MERKMALE UND DATENTYPEN * 77 2.5.1 AUTOMATISCHE MERKMALSSELEKTION UND -BEWERTUNG* 80 2.5.2 LERNEN VON MERKMALEN * 83 2.5.3 ZEITSERIEN UND SENSORDATEN * 93 2.5.4 TEXTE * 99 2.5.5 GRAPHEN, LINKED DATA, GEOGRAPHISCHE DATEN * 101 2.5.6 GEOGRAPHISCHE DATEN * 103 3 VISUALISIERUNG UND INTERPRETATION * 106 3.1 DER MENSCHLICHE WAHRNEHMUNGSAPPARAT * 108 3.2 UEBERSICHT GEBRAEUCHLICHER VISUALISIERUNGSMETHODEN * 113 3.2.1 BALKEN- UND SAEULENDIAGRAMM * 113 3.2.2 HISTOGRAMM * 116 3.2.3 TORTENDIAGRAMM * 119 3.2.4 NETZDIAGRAMM ----- 120 3.2.5 KALENDER-HEAT MAP * 123 3.2.6 RAUMBEZOGENE GEODAETEN * 126 3.2.7 LINIENDIAGRAMM * 127 3.2.8 MINDMAP * 128 3.2.9 SOCIAL MEDIA-NETZWERKDIAGRAMM* 129 3.2.10 GRAPH * 131 3.2.11 KISSENDIAGRAMM ----- 135 3.2.12 SEHNENDIAGRAMM ----- 137 3.2.13 BOX-PLOT ----- 138 3.2.14 PUNKT- ODER STREUDIAGRAMM, SCATTER-PLOT * 141 3.2.15 DICHTE-PLOT ----- 143 3.3 INTERAKTIVE VISUALISIERUNG * 145 3.3.1 DAS BEWEGTE BILD * 145 3.3.2 ERKUNDUNG DES HYPOTHESENRAUMS * 147 3.3.3 HOEHERE DIMENSIONEN * 148 3.3.4 EXPLORATION ----- 150 3.4 INTERPRETATION * 151 4 PRAXISBEIPIELE * 158 4.1 VORAUSSAGE DER AUFTRAGSBEARBEITUNGSZEIT * 158 4.1.1 DATEN * 159 4.1.2 ANALYSE * 164 4.1.3 BEWERTUNG ----- 167 4.2 ZUSTANDSBASIERTE WARTUNG ------ 171 4.2.1 DATEN ----- 172 4.2.2 ANALYSE ----- 174 4.2.3 BEWERTUNG * 177 4.3 FEHLER IN PROTOKOLLEN VORHERSAGEN * 180 4.3.1 DATEN * 181 4.3.2 ANALYSE * 182 4.3.3 BEWERTUNG* 185 4.4 FEHLERURSACHEN LOKALISIEREN * 187 4.4.1 DATEN * 188 4.4.2 ANALYSE * 189 4.4.3 BEWERTUNG* 192 4.5 MATERIALNUTZUNG OPTIMIEREN ----- 194 4.5.1 DATEN * 195 4.5.2 ANALYSE * 196 4.5.3 BEWERTUNG ----- 200 4.6 ENERGIEVERBRAUCH AUF DIE SCHLICHE KOMMEN * 201 4.6.1 DATEN * 202 4.6.2 ANALYSE ----- 204 4.6.3 BEWERTUNG ----- 205 4.7 QUALITAETSSCHWANKUNGEN VERSTEHEN ------ 208 4.8 SCHNELLER DEN KUNDEN- ODER PARTNERPOOL ERWEITERN * 211 4.9 KUENDIGUNGEN VERHINDERN UND KUNDEN BINDEN * 213 4.10 MEHRFACHMELDUNGEN ZUSAMMENFASSEN * 214 4.11 DEN PERFEKTEN MOMENT AB PASSEN * 217 5 ORGANISATORISCHE ANFORDERUNGEN * 221 5.1 PROZESSE * 221 5.1.1 EIN EINFACHER PROZESS * 222 5.1.2 EINE ANDERE SICHT AUF DEN PROZESS * 225 5.1.3 CROSS INDUSTRY STANDARD PROCESS FOR DATA MINING (CRISP-DM) ----- 228 5.2 TEAMS ------ 235 5.2.1 AUSSCHLIESSLICH EXTERNER SMART DATA ANALYTICS-PARTNER 236 5.2.2 ZUSAMMENARBEIT INTERNER UND EXTERNER SMART DATA ANALYTICS-EXPERTEN ----- 239 5.2.3 REIN INTERNES SMART DATA ANALYTICS TEAM * 240 5.3 GESCHAEFTSMODELLE * 243 5.3.1 VOM KAUF ZUR ABRECHNUNG NACH NUTZUNG ----- 243 5.3.2 WERTSCHOEPFUNG AUS DEN DATEN ----- 244 5.3.3 SMART DATA ALS EIGENES GESCHAEFTSFELD * 246 5.4 FALLSTRICKE UND GEFAHREN * 248 5.4.1 SMART DATA ANALYTICS IST ANDERS ------ 248 5.4.2 ALLES IN DEN DATA LAKE? * 250 5.4.3 HIDDEN BIASES * 252 5.4.4 BIG DATA - INKLUSION ODER EXKLUSION? * 254 5.4.5 SEIEN SIE SKEPTISCH * 255 5.4.6 MASSNAHMEN * 258 6 DATENSCHUTZ UND SCHUTZRECHTE * 263 6.1 DATENSCHUTZ GILT BEI PERSONENBEZOGENEN DATEN ----- 264 6.1.1 WELCHE REGELUNGEN ZUM DATENSCHUTZ GIBT ES? * 266 6.1.2 DER SCHUTZ DER DATEN SCHUETZT MENSCHEN * 267 6.1.3 GRUNDSAETZE DES DATENSCHUTZRECHTS * 268 6.1.4 DATENSCHUTZRECHT GREIFT NUR BEI PERSOENLICHEN DATEN UND BESTIMMTEN HANDLUNGEN * 269 6.1.5 DIE EINWILLIGUNG IM DATENSCHUTZRECHT * 270 6.1.6 WELCHE RECHTE HAT DIE BETROFFENE? * 271 6.1.7 PFLICHTEN FUER UNTERNEHMEN * 272 6.1.8 SANKTIONEN BEI VERSTOESSEN GEGEN DAS DATENSCHUTZRECHT* 273 6.2 ARBEITNEHMERDATENSCHUTZ/BESCHAEFTIGTENDATENSCHUTZ ------- 277 6.2.1 RECHTLICHE GRUNDLAGEN * 277 6.2.2 ERLAUBNIS BEI BEGRUENDUNG ODER DURCHFUEHRUNG DES BESCHAEFTIGUNGSVERHAELTNISSES * 278 6.2.3 NEUE EUROPARECHTLICHE REGELUNGEN * 279 6.2.4 FALLKONSTELLATIONEN DES BESCHAEFTIGTENDATENSCHUTZES * 280 6.2.5 MITBESTIMMUNG ----- 282 6.2.6 DIE EINWILLIGUNG IN DIE ERHEBUNG, VERARBEITUNG UND NUTZUNG VON BESCHAEFTIGTENDATEN * 284 6.3 DER DATENSCHUTZBEAUFTRAGTE IM UNTERNEHMEN * 284 6.3.1 WANN IST EIN DATENSCHUTZBEAUFTRAGTER ZU BESTELLEN? * 284 6.3.2 WELCHE AUFGABEN HAT DER DATENSCHUTZBEAUFTRAGTE? * 285 6.3.3 BESTELLUNG UND EINGLIEDERUNG * 286 6.3.4 DIE NEUEN EUROPARECHTLICHEN VORGABEN * 287 6.4 AUFTRAGSDATENVERARBEITUNG ----- 288 6.4.1 WAS IST AUFTRAGSDATENVERARBEITUNG? * 288 6.4.2 NEUE EUROPARECHTLICHE VORGABEN * 290 6.5 DER SCHUTZ DES DATENBANKHERSTELLERS ----- 291 6.5.1 WAS IST EINE DATENBANK UND UNTER WELCHEN VORAUSSETZUNGEN IST SIE GESCHUETZT? * 292 6.5.2 WELCHE RECHTE HAT DER DATENBANKHERSTELLER? * 294 6.5.3 DER DATENBANKHERSTELLER WIRD NICHT SCHRANKENLOS GESCHUETZT ----- 295 6.5.4 GRENZEN DER VERTRAGSFREIHEIT * 295 7 TECHNOLOGIE * 297 7.1 VON LAMBDA UND KAPPA ARCHITEKTUREN ----- 297 7.1.1 BATCHVERARBEITUNG* 298 7.1.2 ECHTZEITVERARBEITUNG ----- 299 7.1.3 LAMBDA-ARCHITEKTUR: DAS BESTE BEIDER WELTEN ----- 301 7.1.4 SCORING VON MASCHINELLEM LERNEN ----- 302 7.1.5 KAPPA-ARCHITEKTUR ----- 305 7.2 SKALIERUNG MIT APACHE HADOOP ------ 306 7.2.1 VERTEILTE DATEISYSTEME * 306 7.2.2 VERTEILTE BERECHNUNG ------ 309 7.2.3 SPARK ----- 316 7.3 BIG DATA UND DATENBANKEN * 318 7.3.1 NEWSQL, BEYONDSQL, SAP HANA ----- 320 7.3.2 ANALYTICS DATENBANKEN * 321 7.3.3 ZEITSERIEN- UND LOG-DATENBANKEN * 323 7.4 STREAMING ----- 325 7.4.1 COMPLEX EVENT PROCESSING* 325 7.4.2 DISTRIBUTED STREAMING SYSTEM * 327 7.5 PLATTFORMUNABHAENGIGKEIT UND GPU-FRAMEWORKS ----- 330 7.6 ANALYSEUMGEBUNGEN ------ 332 7.6.1 EXCEL ----- 333 7.6.2 SPSS MODELER ----- 336 7.6.3 RAPIDMINER ----- 338 7.6.4 KNIME ----- 339 7.6.5 ORANGE, WEKA * 339 7.6.6 SPEZIALISIERTE WERKZEUGE ZUM UNUEBERWACHTEN LERNEN* 341 7.7 PROGRAMMIERSPRACHEN UND NOTEBOOKS * 342 7.7.1 R ----- 342 7.7.2 PYTHON UND SCIKITLEARN * 345 7.7.3 INTERAKTIVE NOTEBOOKS* 349 7.7.4 MEHR PROGRAMMIERSPRACHEN UND BEISPIEL-CODE * 351 8 WIRTSCHAFTLICHE BETRACHTUNG* 353 8.1 KOSTEN ------ 356 8.1.1 SOFTWARE ----- 356 8.1.2 HARDWARE ----- 366 8.1.3 INFRASTRUKTUR ----- 371 8.1.4 INSTALLATION UND INBETRIEBNAHME SOWIE WARTUNG* 373 8.1.5 DATENSCHNITTSTELLEN * 374 8.1.6 DATENAUFBEREITUNG ----- 374 8.1.7 PROZESSANBINDUNG* 377 8.1.8 MITARBEITER* 378 8.1.9 MITARBEITERSCHULUNG/-WEITERBILDUNG* 381 8.1.10 UNTERSTUETZUNG DURCH DIENSTLEISTER* 382 8.2 CLOUD VS. ON-PREMISE * 383 8.2.1 WESENTLICHE CHARAKTERISTIKA * 383 8.2.2 SERVICE-MODELLE * 385 8.2.3 EINSATZMODELLE * 388 8.2.4 ABWAEGUNG: CLOUD VS. ON-PREMISE * 395 8.3 RETURN ON INVESTMENT ------ 400 8.3.1 DAS PROBLEM DER SKALIERUNG * 401 8.3.2 VORGEHENSWEISE * 403 8.3.3 VON ANDEREN LERNEN * 404 9 EPILOG ----- 407 STICHWORTVERZEICHNIS * 423 Inhalt Vorwort der Autoren 1 Einleitung 1 1.1 Ein motivierendes Beispiel---1 1.2 Für wen ist dieses Buch und wie kann man es lesen?--- 1.3 Smart Data Solutions statt Big Data--10 1.4 Das Smart Data Solution Center Baden-Württemberg----- 1.4.1 Warum ein Smart Data Solution Center?--15 1.4.2 Ablauf einer Potentialanalyse---16 1.4.3 Drei Beispiele---17 1.4.4 Die Partner---21 1.4.5 Das Smart Data Innovation Lab---23 2 Grundlagen-------25 2.1 Smart Data vs. Big Data-----25 2.1.1 Die 3Vs: Volume, Velocity, Variety---26 2.1.2 Veracity, Validity, Value---27 2.1.3 Variability, Venue, Vocabulary-----29 2.1.4 Das verbliebene V: Vagueness-------30 2.1.5 Smart Data-----31 2.2 2.2.1 2.2.2 2.2.3 2.2.4 2.3 2.3.1 2.3.2 2.3.3 2.3.4 2.4 2.4.1 2.4.2 2.4.3 2.5 2.5.1 2.5.2 Datengetriebene Innovation----33 Business Intelligence und Verbesserungsprozesse---35 Operative Geschäftsdaten für Innovation nutzen--36 Vom eingebetteten System zum Datensee------37 Kontextsensitive Systeme----39 Data Analytics und Maschinelles Lernen--46 Business Analytics----49 Klassifikation eines Merkmalsraums---50 Supervised Learning---53 Prädiktion und prädiktive Analyse--57 Die Bewertung von Vorhersagen----60 Fehlermaße als Bewertungsfunktion----60 Validierungsschema----66 Automatische Verbesserung von Klassifikatoren---73 Merkmale und Datentypen-----77 Automatische Merkmalsselektion und -bewertung-----80 Lernen von Merkmalen-----83 X — Inhalt 2.5.3 Zeitserien und Sensordaten--93 2.5.4 Texte---99 2.5.5 Graphen, Linked Data, geographische Daten--101 2.5.6 Geographische Daten----103 3 Visualisierung und Interpretation-106 3.1 Der menschliche Wahrnehmungsapparat-----108 3.2 Übersicht gebräuchlicher Visualisierungsmethoden- 3.2.1 Balken- und Säulendiagramm------113 3.2.2 Histogramm----116 3.2.3 Tortendiagramm------119 3.2.4 Netzdiagramm-----120 3.2.5 Kalender-Heat Map---123 3.2.6 Raumbezogene Geodäten-----126 3.2.7 Liniendiagramm------127 3.2.8 Mindmap----128 3.2.9 Social Media-Netzwerkdiagramm------129 3.2.10 Graph----131 3.2.11 Kissendiagramm------135 3.2.12 Sehnendiagramm------137 3.2.13 Box-Plot---138 3.2.14 Punkt- oder Streudiagramm, Scatter-Plot-141 3.2.15 Dichte-Plot---143 3.3 interaktive Visualisierung-145 3.3.1 Das bewegte Bild----145 3.3.2 Erkundung des Hypothesenraums------147 3.3.3 Höhere Dimensionen-----148 3.3.4 Exploration---150 3.4 Interpretation —— 151 4 Praxisbeipiele-----158 4.1 Voraussage der Auftragsbearbeitungszeit —-158 4.1.1 Daten----159 4.1.2 Analyse----164 4.1.3 Bewertung-----167 4.2 Zustandsbasierte Wartung---171 4.2.1 Daten----172 4.2.2 Analyse----174 4.2.3 Bewertung-----177 4.3 Fehler in Protokollen Vorhersagen--180 Inhalt — XI 4.3.1 Daten-----181 4.3.2 Analyse-----182 4.3.3 Bewertung------185 4 4 Fehlerursachen lokalisieren---187 4.4.1 Daten-----188 4.4.2 Analyse-----189 4.4.3 Bewertung------192 4.5 Materialnutzung optimieren----194 4.5.1 Daten-----195 4.5.2 Analyse-----196 4.5.3 Bewertung------200 4.6 Energieverbrauch auf die Schliche kommen----201 4.6.1 Daten-----202 4.6.2 Analyse-----204 4.6.3 Bewertung------205 4.7 Qualitätsschwankungen verstehen----208 4.8 Schneller den Kunden- oder Partnerpool erweitern — 4.9 Kündigungen verhindern und Kunden binden----213 4.10 Mehrfachmeldungen zusammenfassen--------214 4.11 Den perfekten Moment abpassen------217 5 Organisatorische Anforderungen----221 5.1 Prozesse----221 5.1.1 Ein einfacher Prozess---222 5.1.2 Eine andere Sicht auf den Prozess--225 5.1.3 Cross Industry Standard Process for Data Mining (CRISP-DM)----228 5.2 Teams-----235 5.2.1 Ausschließlich externer Sm 5.2.2 Zusammenarbeit interner und externer Smart Data Analytics-Experten--239 5.2.3 Rein internes Smart Data Analytics Team-240 5.3 Geschäftsmodefle-----243 5.3.1 Vom Kauf zur Abrechnung nach Nutzung----243 5.3.2 Wertschöpfung aus den Daten-----244 5.3.3 Smart Data als eigenes Geschäftsfeld--246 5.4 Fallstricke und Gefahren--248 5.4.1 Smart Data Analytics ist anders-248 5.4.2 Alles in den Data Lake?---250 211 236 XII ------ Inhalt 5.4.3 5.4.4 5.4.5 5.4.6 6 6.1 6.1.1 6.1.2 6.1.3 6.1.4 6.1.5 6.1.6 6.1.7 6.1.8 6.2 6.2.1 6.2.2 6.2.3 6.2.4 6.2.5 6.2.6 6.3 6.3.1 6.3.2 6.3.3 6.3.4 6.4 6.4.1 6.4.2 6.5 6.5.1 6.5.2 6.5.3 Hidden Biases----252 Big Data - Inklusion oder Exklusion?-254 Seien Sie skeptisch--255 Maßnahmen------258 Datenschutz und Schutzrechte----263 Datenschutz gilt bei personenbezogenen Daten--264 Welche Regelungen zum Datenschutz gibt es?----266 Der Schutz der Daten schützt Menschen--267 Grundsätze des Datenschutzrechts-----268 Datenschutzrecht greift nur bei persönlichen Daten und bestimmten Handlungen-----269 Die Einwilligung im Datenschutzrecht-270 Welche Rechte hat die Betroffene?----271 Pflichten für Unternehmen---272 Sanktionen bei Verstößen gegen das Datenschutzrecht---273 Arbeitnehmerdatenschutz/Beschäftigtendatenschutz---277 Rechtliche Grundlagen---277 „Erlaubnis“ bei Begründung oder Durchführung des Beschäftigungsverhältnisses---278 Neue europarechtliche Regelungen-----279 Fallkonstellationen des Beschäftigtendatenschutzes-280 Mitbestimmung----282 Die Einwilligung in die Erhebung, Verarbeitung und Nutzung von Beschäftigtendaten----284 Der Datenschutzbeauftragte im Unternehmen-----284 Wann ist ein Datenschutzbeauftragterzu bestellen?--284 Welche Aufgaben hat der Datenschutzbeauftragte?----285 Bestellung und Eingliederung--286 Die neuen europarechtlichen Vorgaben---287 Auftragsdatenverarbeitung---288 Was ist Auftragsdatenverarbeitung?---288 Neue europarechtliche Vorgaben---290 Der Schutz des Datenbankherstellers--291 Was ist eine Datenbank und unter welchen Voraussetzungen ist sie geschützt?-292 Welche Rechte hat der Datenbankhersteller?--294 Der Datenbankhersteller wird nicht schrankenlos geschützt---295 Inhalt XIII 6.5.4 Grenzen der Vertragsfreiheit---295 7 Technologie-----297 7.1 Von Lambda und Kappa Architekturen-----297 7.1.1 Batchverarbeitung-----298 7.1.2 Echtzeitverarbeitung---299 7.1.3 Lambda-Architektur: das Beste beider Welten---301 7.1.4 Scoring von maschinellem Lernen----302 7.1.5 Kappa-Architektur----305 7.2 Skalierung mit Apache Hadoop----306 7.2.1 Verteilte Dateisysteme----306 7.2.2 Verteilte Berechnung------309 7.2.3 Spark----316 7.3 Big Data und Datenbanken-----318 7.3.1 NewSQL, BeyondSQL, SAP HANA--------320 7.3.2 Analytics Datenbanken-----321 7.3.3 Zeitserien- und Log-Daten banken---323 7.4 Streaming-----325 7.4.1 Complex Event Processing-----325 7.4.2 Distributed Streaming System----327 7.5 Plattformunabhängigkeit und GPU-Frameworks------330 7.6 Analyseumgebungen---------332 7.6.1 Excel----333 7.6.2 SPSS Modeler-----336 7.6.3 RapidMiner----338 7.6.4 KNIME----339 7.6.5 Orange, Weka-----339 7.6.6 Spezialisierte Werkzeuge zum unüberwachten Lernen-----341 7.7 Programmiersprachen und Notebooks------342 7.7.1 R----342 7.7.2 Python und sdkitLearn-----345 7.7.3 interaktive Notebooks-----349 7.7.4 Mehr Programmiersprachen und Beispiel-Code------351 8 Wirtschaftliche Betrachtung----353 8.1 Kosten----356 8.1.1 Software----356 8.1.2 Hardware------366 8.1.3 Infrastruktur----371 8.1.4 Installation und Inbetriebnahme sowie Wartung--- 373 XIV ----- Inhalt 8.1.5 Datenschnittstellen----374 8.1.6 Datenaufbereitung----374 8.1.7 Prozessanbindung-----377 8.1.8 Mitarbeiter---378 8.1.9 Mitarbeiterschulung/-weiterbildung---381 8.1.10 Unterstützung durch Dienstleister--382 8.2 Cloud vs. On-Premise----383 8.2.1 Wesentliche Charakteristika---383 8.2.2 Service-Modelle---385 8.2.3 Einsatzmodelle----388 8.2.4 Abwägung: Cloud vs. On-Premise-----395 8.3 Return on Investment----400 8.3.1 Das Problem der Skalierung----401 8.3.2 Vorgehensweise----403 8.3.3 Von anderen lernen---404 9 Epilog----407 Stichwortverzeichnis----423
any_adam_object	1
author	Wierse, Andreas Riedel, Till 1979-
author_GND	(DE-588)1136618635 (DE-588)132943433
author_facet	Wierse, Andreas Riedel, Till 1979-
author_role	aut aut
author_sort	Wierse, Andreas
author_variant	a w aw t r tr
building	Verbundindex
bvnumber	BV044375109
classification_rvk	ST 265 ST 530 QP 345
classification_tum	DAT 675f DAT 362f
ctrlnum	(OCoLC)989871608 (DE-599)DNB1116355787
dewey-full	658.4038
dewey-hundreds	600 - Technology (Applied sciences)
dewey-ones	658 - General management
dewey-raw	658.4038
dewey-search	658.4038
dewey-sort	3658.4038
dewey-tens	650 - Management and auxiliary services
discipline	Informatik Wirtschaftswissenschaften
format	Book
fullrecord	<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>02728nam a2200553 c 4500</leader><controlfield tag="001">BV044375109</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20181030 </controlfield><controlfield tag="007">t</controlfield><controlfield tag="008">170628s2017 a\|\|\| \|\|\|\| 00\|\|\| ger d</controlfield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">16N43</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">17,A34</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1116355787</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783110461848</subfield><subfield code="c">Festeinband : EUR 69.95 (DE) (freier Preis), EUR 70.60 (AT) (freier Preis)</subfield><subfield code="9">978-3-11-046184-8</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783110463965</subfield><subfield code="c">Bundle</subfield><subfield code="9">978-3-11-046396-5</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)989871608</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1116355787</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield><subfield code="e">rda</subfield></datafield><datafield tag="041" ind1="0" ind2=" "><subfield code="a">ger</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-29T</subfield><subfield code="a">DE-M347</subfield><subfield code="a">DE-1050</subfield><subfield code="a">DE-1102</subfield><subfield code="a">DE-1049</subfield><subfield code="a">DE-1046</subfield><subfield code="a">DE-862</subfield><subfield code="a">DE-92</subfield><subfield code="a">DE-739</subfield><subfield code="a">DE-11</subfield><subfield code="a">DE-473</subfield><subfield code="a">DE-706</subfield><subfield code="a">DE-91G</subfield><subfield code="a">DE-860</subfield><subfield code="a">DE-255</subfield><subfield code="a">DE-1043</subfield><subfield code="a">DE-703</subfield><subfield code="a">DE-861</subfield><subfield code="a">DE-355</subfield><subfield code="a">DE-N2</subfield><subfield code="a">DE-384</subfield><subfield code="a">DE-634</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">658.4038</subfield><subfield code="2">22/ger</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 265</subfield><subfield code="0">(DE-625)143634:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 530</subfield><subfield code="0">(DE-625)143679:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">QP 345</subfield><subfield code="0">(DE-625)141866:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">DAT 675f</subfield><subfield code="2">stub</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">650</subfield><subfield code="2">sdnb</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">DAT 362f</subfield><subfield code="2">stub</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Wierse, Andreas</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)1136618635</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Smart Data Analytics</subfield><subfield code="b">Zusammenhänge erkennen, Potentiale nutzen, Big Data verstehen</subfield><subfield code="c">Andreas Wierse, Till Riedel</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Berlin ; Boston</subfield><subfield code="b">De Gruyter Oldenbourg</subfield><subfield code="c">[2017]</subfield></datafield><datafield tag="264" ind1=" " ind2="4"><subfield code="c">© 2017</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">XIV, 426 Seiten</subfield><subfield code="b">Illustrationen, Diagramme, Karten (farbig)</subfield><subfield code="c">24 cm x 17 cm</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="490" ind1="0" ind2=" "><subfield code="a">De Gruyter Oldenbourg Praxishandbuch</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Informationsmanagement</subfield><subfield code="0">(DE-588)4114012-6</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Big Data</subfield><subfield code="0">(DE-588)4802620-7</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Data Mining</subfield><subfield code="0">(DE-588)4428654-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="689" ind1="0" ind2="0"><subfield code="a">Big Data</subfield><subfield code="0">(DE-588)4802620-7</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="1"><subfield code="a">Data Mining</subfield><subfield code="0">(DE-588)4428654-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="2"><subfield code="a">Informationsmanagement</subfield><subfield code="0">(DE-588)4114012-6</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Riedel, Till</subfield><subfield code="d">1979-</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)132943433</subfield><subfield code="4">aut</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online Ausgabe, PDF</subfield><subfield code="z">978-3-11-046395-8</subfield><subfield code="w">(DE-604)BV044398008</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online Ausgabe, EPUB</subfield><subfield code="z">978-3-11-046191-6</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">DNB Datenaustausch</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=029777437&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">Digitalisierung UB Passau - ADAM Catalogue Enrichment</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=029777437&sequence=000003&line_number=0002&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="999" ind1=" " ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-029777437</subfield></datafield></record></collection>
id	DE-604.BV044375109
illustrated	Illustrated
indexdate	2024-08-01T11:27:34Z
institution	BVB
isbn	9783110461848 9783110463965
language	German
oai_aleph_id	oai:aleph.bib-bvb.de:BVB01-029777437
oclc_num	989871608
open_access_boolean
owner	DE-29T DE-M347 DE-1050 DE-1102 DE-1049 DE-1046 DE-862 DE-BY-FWS DE-92 DE-739 DE-11 DE-473 DE-BY-UBG DE-706 DE-91G DE-BY-TUM DE-860 DE-255 DE-1043 DE-703 DE-861 DE-355 DE-BY-UBR DE-N2 DE-384 DE-634
owner_facet	DE-29T DE-M347 DE-1050 DE-1102 DE-1049 DE-1046 DE-862 DE-BY-FWS DE-92 DE-739 DE-11 DE-473 DE-BY-UBG DE-706 DE-91G DE-BY-TUM DE-860 DE-255 DE-1043 DE-703 DE-861 DE-355 DE-BY-UBR DE-N2 DE-384 DE-634
physical	XIV, 426 Seiten Illustrationen, Diagramme, Karten (farbig) 24 cm x 17 cm
publishDate	2017
publishDateSearch	2017
publishDateSort	2017
publisher	De Gruyter Oldenbourg
record_format	marc
series2	De Gruyter Oldenbourg Praxishandbuch
spellingShingle	Wierse, Andreas Riedel, Till 1979- Smart Data Analytics Zusammenhänge erkennen, Potentiale nutzen, Big Data verstehen Informationsmanagement (DE-588)4114012-6 gnd Big Data (DE-588)4802620-7 gnd Data Mining (DE-588)4428654-5 gnd
subject_GND	(DE-588)4114012-6 (DE-588)4802620-7 (DE-588)4428654-5
title	Smart Data Analytics Zusammenhänge erkennen, Potentiale nutzen, Big Data verstehen
title_auth	Smart Data Analytics Zusammenhänge erkennen, Potentiale nutzen, Big Data verstehen
title_exact_search	Smart Data Analytics Zusammenhänge erkennen, Potentiale nutzen, Big Data verstehen
title_full	Smart Data Analytics Zusammenhänge erkennen, Potentiale nutzen, Big Data verstehen Andreas Wierse, Till Riedel
title_fullStr	Smart Data Analytics Zusammenhänge erkennen, Potentiale nutzen, Big Data verstehen Andreas Wierse, Till Riedel
title_full_unstemmed	Smart Data Analytics Zusammenhänge erkennen, Potentiale nutzen, Big Data verstehen Andreas Wierse, Till Riedel
title_short	Smart Data Analytics
title_sort	smart data analytics zusammenhange erkennen potentiale nutzen big data verstehen
title_sub	Zusammenhänge erkennen, Potentiale nutzen, Big Data verstehen
topic	Informationsmanagement (DE-588)4114012-6 gnd Big Data (DE-588)4802620-7 gnd Data Mining (DE-588)4428654-5 gnd
topic_facet	Informationsmanagement Big Data Data Mining
url	http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=029777437&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=029777437&sequence=000003&line_number=0002&func_code=DB_RECORDS&service_type=MEDIA
work_keys_str_mv	AT wierseandreas smartdataanalyticszusammenhangeerkennenpotentialenutzenbigdataverstehen AT riedeltill smartdataanalyticszusammenhangeerkennenpotentialenutzenbigdataverstehen

Verfügbarkeit

Inhaltsverzeichnis
Inhaltsverzeichnis

THWS Schweinfurt Zentralbibliothek Lesesaal

Bestandesangaben von THWS Schweinfurt Zentralbibliothek Lesesaal
Signatur:	2000 ST 530 W648
Exemplar 1	ausleihbar Verfügbar Bestellen

MARC

Datensatz im Suchindex

THWS Schweinfurt Zentralbibliothek Lesesaal

Ähnliche Einträge