Data Science Management: vom ersten Konzept bis zur Governance datengetriebener Organisationen
Gespeichert in:
| Hauptverfasser: | , |
|---|---|
| Format: | Buch |
| Sprache: | German |
| Veröffentlicht: |
Heidelberg
O'Reilly
2024
|
| Ausgabe: | 1. Auflage |
| Schlagworte: | |
| Online-Zugang: | Inhaltstext Inhaltsverzeichnis |
| Beschreibung: | 306 Seiten Illustrationen, Diagramme 24 cm x 16.5 cm |
| ISBN: | 9783960092148 3960092148 |
Internformat
MARC
| LEADER | 00000nam a22000008c 4500 | ||
|---|---|---|---|
| 001 | BV049379741 | ||
| 003 | DE-604 | ||
| 005 | 20241018 | ||
| 007 | t | ||
| 008 | 231024s2024 gw a||| |||| 00||| ger d | ||
| 015 | |a 23,N31 |2 dnb | ||
| 016 | 7 | |a 1297343433 |2 DE-101 | |
| 020 | |a 9783960092148 |c : circa EUR 34.90 (DE), circa EUR 35.90 (AT) |9 978-3-96009-214-8 | ||
| 020 | |a 3960092148 |9 3-96009-214-8 | ||
| 024 | 3 | |a 9783960092148 | |
| 035 | |a (OCoLC)1424560126 | ||
| 035 | |a (DE-599)DNB1297343433 | ||
| 040 | |a DE-604 |b ger |e rda | ||
| 041 | 0 | |a ger | |
| 044 | |a gw |c XA-DE-BW | ||
| 049 | |a DE-M347 |a DE-11 |a DE-1102 |a DE-1050 |a DE-1049 |a DE-Aug4 |a DE-1051 |a DE-573 |a DE-858 | ||
| 084 | |a ST 530 |0 (DE-625)143679: |2 rvk | ||
| 084 | |8 1\p |a 004 |2 23sdnb | ||
| 100 | 1 | |a Hebing, Marcel |d 1982- |e Verfasser |0 (DE-588)1104179555 |4 aut | |
| 245 | 1 | 0 | |a Data Science Management |b vom ersten Konzept bis zur Governance datengetriebener Organisationen |c Marcel Hebing, Martin Manhembué |
| 250 | |a 1. Auflage | ||
| 264 | 1 | |a Heidelberg |b O'Reilly |c 2024 | |
| 300 | |a 306 Seiten |b Illustrationen, Diagramme |c 24 cm x 16.5 cm | ||
| 336 | |b txt |2 rdacontent | ||
| 337 | |b n |2 rdamedia | ||
| 338 | |b nc |2 rdacarrier | ||
| 650 | 0 | 7 | |a Data Science |0 (DE-588)1140936166 |2 gnd |9 rswk-swf |
| 653 | |a Data Science | ||
| 653 | |a Datenanalyse | ||
| 653 | |a agiles Projektmanagement | ||
| 653 | |a Agile | ||
| 653 | |a MLOps | ||
| 653 | |a DevOps | ||
| 653 | |a DataOps | ||
| 653 | |a AIOps | ||
| 653 | |a Data Science Lifecycle | ||
| 653 | |a Data Science Lebenszyklus | ||
| 653 | |a Analytics Continuum | ||
| 653 | |a Datenmanagement | ||
| 653 | |a Data Science Architekturen | ||
| 653 | |a Governance. Proof of Concept | ||
| 653 | |a Statistik | ||
| 653 | |a Machine Learning | ||
| 689 | 0 | 0 | |a Data Science |0 (DE-588)1140936166 |D s |
| 689 | 0 | |5 DE-604 | |
| 700 | 1 | |a Manhembué, Martin |e Verfasser |0 (DE-588)1204388652 |4 aut | |
| 776 | 0 | 8 | |i Erscheint auch als |n Online-Ausgabe, PDF |z 978-3-96010-808-5 |
| 776 | 0 | 8 | |i Erscheint auch als |n Online-Ausgabe, EPUB |z 978-3-96010-809-2 |
| 856 | 4 | 2 | |m X:MVB |q text/html |u http://deposit.dnb.de/cgi-bin/dokserv?id=ab12956d77ca4e629c255c0118df09fb&prov=M&dok_var=1&dok_ext=htm |3 Inhaltstext |
| 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=034707395&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |3 Inhaltsverzeichnis |
| 883 | 1 | |8 1\p |a vlb |d 20230726 |q DE-101 |u https://d-nb.info/provenance/plan#vlb | |
| 943 | 1 | |a oai:aleph.bib-bvb.de:BVB01-034707395 | |
Datensatz im Suchindex
| _version_ | 1813237925944492032 |
|---|---|
| adam_text |
INHALT
EINLEITUNG:
EIN
HANDBUCH
ZUM
MANAGEMENT
VON
DATA
SCIENCE
.
13
TEIL
I:
DATA-SCIENCE-GRUNDLAGEN
.
27
1
EINE
EINFUEHRUNG
IN
DATA
SCIENCE
AUS
PROJEKTSICHT
.
29
VERLAUF
EINES
DATA-SCIENCE-PROJEKTS
(PROZESSMODELL)
.
30
VON
EINFACHEN
ANALYSEN
ZUR
AUTOMATISIERUNG
(ANALYTICS
CONTINUUM)
.
.
32
WELCHE
KOMPETENZEN
BRAUCHEN
WIR
IN
EINEM
DATA-SCIENCE-PROJEKT?
.
34
2
WIE
WIR
UEBER
DATEN
SPRECHEN
.
37
STRUKTURIERTE
DATEN
.
37
SEMISTRUKTURIERTE
DATEN
.
38
UNSTRUKTURIERTE
DATEN
.
40
SKALENNIVEAUS
UND
BESONDERE
DATENFORMATE
.
40
VERSCHIEDENE
ASPEKTE
DER
QUALITAET
VON
DATEN
.
42
BIG
DATA
UND
SMART
DATA
.
43
3
DATENBESCHAFFUNG
UND-AUFBEREITUNG
.
45
DATENQUELLEN
UND
DATENERHEBUNG
.
45
DATENZUGRIFF
IST
NICHT
NUR
EINE
TECHNISCHE
ANGELEGENHEIT
.
46
INTEGRATION
UND
AUFBEREITUNG
VERSCHIEDENER
DATENQUELLEN
.
47
TRAININGS
UND
TESTDATEN
FUER
DAS
TRAINING
VON
MACHINE-LEARNING
ALGORITHMEN
.
48
FEATURE
ENGINEERING
.
48
4
DESKRIPTIVE
ANALYSEN
.
51
UNIVARIATE
BASISSTATISTIKEN
UND
KENNZAHLEN
.
51
BIVARIATE
DARSTELLUNGEN
UND
KORRELATIONEN
.
53
VISUALISIERUNG
VON
DATEN
.
55
EXPLORATIVE
DATENANALYSE
(EDA)
.
58
I
5
5
MODELLBILDUNG
IN
DER
KLASSISCHEN
STATISTIK
.
61
GRUNDGESAMTHEITEN
UND
STICHPROBEN
.
61
DIE
REGRESSIONSANALYSE
ALS
BEISPIEL
FUER
EIN
ERKLAERENDES
MODELL
.
63
WIE
FUNKTIONIERT
EINE
REGRESSIONSANALYSE
AUS
MATHEMATISCHER
SICHT?
.
64
DIE
FLEXIBILITAET
DER
REGRESSIONSANALYSE
.
65
SPEZIELLE
ANWENDUNGSFAELLE:
ZEITREIHENANALYSE
UND
VORHERSAGEN
.
67
6
VORHERSAGEN
IM
MACHINE
LEARNING
.
71
SUPERVISED
LEARNING
.
73
REGRESSIONSANALYSE
.
73
ENTSCHEIDUNGSBAEUME
.
74
K-NEAREST-NEIGHBORS
.
74
DATENQUALITAET
UND
VERWANDTE
HERAUSFORDERUNGEN
.
75
UNSUPERVISED
LEARNING
.
77
DIMENSIONSREDUKTION
.
77
CLUSTERANALYSE
.
77
DEEP
LEARNING,
REINFORCEMENT
LEARNING
UND
NEURONALE
NETZE
.
78
PREDICTIVE,
PRESCRIPTIVE,
AUTOMATION
.
80
7
AUFBEREITUNG
DER
ERGEBNISSE
FUER
DIE
WEITERE
VERWENDUNG
.
81
DOKUMENTATION,
WIEDERVERWENDUNG
UND
REPLIZIERBARKEIT
.
81
REPORTING
.
83
STATISCHER
REPORT
.
83
DASHBOARDS
.
84
STORYTELLING
UND
VISUELLE
KOMMUNIKATION
MIT
DATEN
.
85
MEHRWERT
VON
DATEN
IM
UNTERNEHMEN
.
86
IMPACT,
EVALUATION
UND
FEEDBACK
.
86
8
ASPEKTE
EINER
BASISINFRASTRUKTUR
.
89
DATENFORMATE
UND
DATENBANKEN
.
89
PLAINTEXT
.
90
BINARY
FILES
.
91
SQL-DATENBANKEN
.
91
NOSQL
.
91
DATENVERARBEITUNG
UND
ANALYSE
.
91
COLLABORATION
UND
ARBEIT
IN
DER
CLOUD
.
92
9
HANDS-ON:
BEISPIELPROJEKT
.
95
STUDIENDESIGN
.
95
DATENBESCHAFFUNG
UND
-AUFBEREITUNG
.
96
ANALYSE
DER
DATEN
.
98
DOKUMENTATION
UND
REPORTING
.
99
HANDLUNGSEMPFEHLUNG
(IMPACT)
.
100
TEIL
II:
DATA-SCIENCE-MANAGEMENT
.
101
10
FALLSTRICKE
FUER
DATA-SCIENCE-PROJEKTE
.
105
FALLSTRICKE
IN
TECHNOLOGIE
UND
INFRASTRUKTUR
.
105
DATA
ENGINEERING
WIRD
UNTERSCHAETZT
.
106
DATENSILOS
.
106
FALLSTRICKE
IN
DER
MODELLIERUNG
.
107
ZU
KOMPLEXE
MODELLE
.
107
FLUCH
DER
DIMENSIONALITAET
.
108
AUSREISSER
.
109
FALLSTRICKE
IM
MANAGEMENT
.
110
LAW
OF
INSTRUMENT
.
110
ZU
VIEL,
ZU
FRUEH
.
111
UNKLARE
ZIELE
.
111
EIN
PROJEKT
IST
KEINE
PRODUKTIVE
ANWENDUNG
.
112
FEHLENDE
SKILLS
UND
DATA-SCIENCE-KULTUR
.
112
11
GRUNDLAGEN
DES
PROJEKTMANAGEMENTS
.
115
KLASSISCHES
ANFORDERUNGSMANAGEMENT
.
117
AGILES
MANAGEMENT
UND
LEAN
MINDSET
.
120
MEHRWERT
UND
KUNDENZENTRIERUNG
.
121
KOLLABORATION
.
121
ITERATIVES
UND
INKREMENTELLES
VORGEHEN
.
122
KONTINUIERLICHE
VERBESSERUNG
.
122
DEZENTRALITAET
UND
SELBSTORGANISATION
.
123
POC
UND
MVP
.
123
AGILES
MINDSET
.
124
ERKENNTNISSE
AUS
DER
AGILEN
PRAXIS
.
124
AGILES
ANFORDERUNGSMANAGEMENT
.
125
ZEIT-UND
RESSOURCENMANAGEMENT
.
127
FINANZIELLE
RESSOURCEN
.
128
ZEITLICHE
RESSOURCEN
.
129
INFRASTRUKTURELLE
RESSOURCEN
.
132
DATEN
.
133
KONTEXTUALISIERUNG
UND
KOMMUNIKATION
.
134
TEAM-BUBBLE
.
135
12
DATA-SCIENCE-TEAMS
.
137
FUNKTIONEN
VON
TEAMS
.
137
TEAMSTRUKTUREN
.
140
TEAM
OF
TEAMS
UND
NEW
WORK
.
143
VERORTUNG
VON
DATA-SCIENCE-TEAMS
.
145
ROLLEN
UND
DEREN
AUFGABEN
IN
DATA-SCIENCE-TEAMS
.
147
ROLLENVERSTAENDNIS
NACH
METHODISCHER
TIEFE
.
147
ROLLENVERSTAENDNIS
NACH
AUSBILDUNG
UND
INTERESSEN
.
148
ROLLENVERSTAENDNIS
NACH
AUFGABEN
.
149
ROLLEN
VON
DATA
SCIENTISTS
.
150
DATA
SCIENTISTS
.
151
DATA
ENGINEERS
.
151
FACHEXPERTINNEN
UND-EXPERTEN
.
151
SOFTWARE
ENGINEERS
UND
DEVOPS
ENGINEERS
.
152
MACHINE
LEARNING
ENGINEERS
UND
MLOPS
ARCHITECTS
.
152
MODEL-RISK-MANAGERINNEN
UND
-MANAGERN
.
153
SOFTWAREARCHITEKTINNEN
UND
-ARCHITEKTEN
.
153
ANALYSTINNEN
UND
ANALYSTEN
.
154
HERAUSFORDERUNGEN
UND
KONFLIKTE
IN
TEAMS
.
155
DIGITALES
ARBEITEN
UND
REMOTE
WORK
.
155
ZUSAMMENARBEIT
UND
KOMMUNIKATION
.
156
13
DATA-SCIENCE-MANAGERINNEN
UND-MANAGER
.
159
AUFGABEN
UND
FAEHIGKEITEN
.
161
MODERNES
LEADERSHIP
.
164
SERVANT
LEADERSHIP
.
164
AGILE
LEADERSHIP
.
165
SHARED
LEADERSHIP
.
167
IMPACT
DURCH
LEADERSHIP
.
168
COACHING
UND
MENTORING
VON
DATA
SCIENTISTS
.
171
14
HANDS-ON:
EMPFOHLENES
TOOLKIT
FUER
DAS
DATA-SCIENCE-MANAGEMENT
.
175
SCRUM
.
175
KANBAN
.
177
SCRUM
ODER
KANBAN
NUTZEN?
.
178
TEAM
HEALTH
CHECKS
.
179
AI
PROJECT
CANVAS
.
181
CHECKLISTE
ANFORDERUNGSMANAGEMENT
.
182
PROBLEMFELDER
BENENNEN
.
182
HERAUSFORDERUNGEN
ERMITTELN
.
183
MEHRWERT
BESCHREIBEN
.
183
TEIL
III:
INFRASTRUKTUR
UND
ARCHITEKTUR
.
185
15
AUTOMATISIERUNG
UND
OPERATIONALISIERUNG
IM
KYBERNETISCHEN
REGELKREIS
.
187
DAS
WISSENSCHAFTLICHE
VORGEHEN:
WISSEN
ITERATIV
WEITERENTWICKELN
UND
VERTIEFEN
.
188
PROOF-OF-CONCEPT-PROJEKTE
UND
DESIGN
THINKING
.
188
OPERATIONALISIERUNG
UND
EVALUATION
VON
ZIELEN
IN
LAUFENDEN
PROJEKTEN
.
189
DER
KYBERNETISCHE
REGELKREIS
.
190
CROSS
INDUSTRY
STANDARD
PROCESS
FOR
DATA
MINING
(CRISP-DM)
.
192
16
GRUNDLAGEN
DER
IT-INFRASTRUKTUR
.
193
BAUSTEINE
EINER
SOFTWAREANWENDUNG
.
193
HARDWARE:
EIGENE
RECHNER
VS.
CLOUD
.
196
CONTAINER
UND
MICROSERVICES
.
199
PLATFORM-AS-A-SERVICE
(PAAS)
UND
SERVERLESS
.
200
SOFTWARE
UND
DATA-SCIENCE-AS-A-SERVICE
(SAAS/DSAAS)
.
201
17
DATA-SCIENCE-ARCHITEKTUREN
.
203
DATA
LAKE
.
204
DATA
WAREHOUSE
(DWH)
.
205
WEITERE
OPTIONEN
WIE
DAS
ANALYTICS
LAB
.
207
INTERAKTIVE
VISUALISIERUNG,
EDA
UND
BUSINESS
INTELLIGENCE
.
208
DATA
MESH
.
209
18
DEVOPS
UND
MLOPS:
ENTWICKLUNG
UND
BETRIEB
.
211
VERSIONIERUNG
UND
VERSIONSKONTROLLE
.
211
CONTINUOUS
INTEGRATION
AND
DELIVERY
.
213
MICROSERVICES
UND
APPLICATION
PROGRAMMING
INTERFACES
(APIS)
.
215
TESTING
UND
MONITORING
.
217
BETRIEB
VON
MACHINE-LEARNING-MODELLEN
(DEVOPS
UND
MLOPS)
.
219
19
HANDS-ON:
MODELLIERUNG
VON
SOFTWARE
UND
INFRASTRUKTUR
.
221
BESTANDSAUFNAHME
IM
EVENT-STORMING
.
221
WEITERENTWICKLUNG
IN
DER
BUSINESS
PROCESS
MODEL
AND
NOTATION
(BPMN)
.
223
MODELLIERUNG
EINER
TECHNISCHEN
INFRASTRUKTUR
.224
MODELLIERUNG
EINER
(RELATIONALEN)
DATENBANK
.
225
REGELKONFORMITAET
.
226
TEIL
IV:
DATA
SCIENCE
GOVERNANCE
UND
DATA-DRIVEN
CULTURE
.
227
20
DIGITALE
TRANSFORMATION
DER
UNTERNEHMEN
.
231
STRATEGISCHER
EINSATZ
VON
DATEN
.
232
WETTBEWERBSVORTEILE
DURCH
DATA
SCIENCE
.
236
AS-A-SERVICE-MODELLE
.
239
21
IMPLEMENTIERUNG
IM
UNTERNEHMEN
.
241
SCHRITT
1:
IDEENFINDUNG
.
241
WIE
FINDET
MAN
GEEIGNETE
ANWENDUNGSFAELLE?
.
241
SCHRITT
2:
PROOF-OF-CONCEPT
.
242
SCHRITT
3:
TECHNISCHE
IMPLEMENTIERUNG
.
243
SCHRITT
4:
IMPLEMENTIERUNG
AUF
BEREICHSEBENE
.
243
SCHRITT
5:
SKALIERUNG
AUFUNTERNEHMENSEBENE
.244
SCHRITT
6:
VERSTETIGUNG
.
245
CHANGE
MANAGEMENT
.
245
DATENMANAGEMENT
.
249
IT-MANAGEMENT
.
253
22
SICHERHEIT
UND
DATENSCHUTZ
.
255
SAFETY
.
256
SECURITY
.257
GOVERNANCE,
COMPLIANCE
UND
RECHTLICHE
ASPEKTE
.
261
ETHISCHE
ASPEKTE
UND
CORPORATE
RESPONSIBILITY
.
263
DIGITALPOLITIK
.
266
23
DIGITALE
KOMPETENZEN
UND
DATA-SCIENCE-KULTUR
.
269
NEWWORK
.270
FLEXIBILISIERUNG
DER
ARBEITSORGANISATION
.
273
DIVERSITAET
UND
KREATIVITAET
.
274
NETZWERKORGANISATIONEN
UND
LEADERSHIP
.
274
ACHTSAMKEIT
UND
GESUNDHEIT
.
274
RECRUITING
.
275
UPSKILLING
UND
RESKILLING
.
278
ENTREPRENEURSHIP,
INTRAPRENEURSHIP
UND
INNOVATION
.
280
LITERACY,
ENABLEMENT
UND
CITIZEN
DATA
SCIENCE
.
282
GRUNDPFEILER
EINER
KREATIVEN
UMGEBUNG
.284
24
HANDS-ON:
TOOLKIT
FUER
STRATEGIE
UND
GOVERNANCE
.
287
BUSINESS
MODEL
CANVAS
.287
AI
CANVAS
.
288
DATENSTRATEGIE-DESIGNKIT
.290
25
SCHLUESSELFAKTOREN
FUER
ERFOLGREICHES
DATA-SCIENCE-MANAGEMENT
.
293
DATA
SCIENTISTS
ALS
INDIVIDUEN
.
293
WIRTSCHAFTLICHKEIT
.
294
GOVERNANCE
.
294
KULTUR
.
294
INFRASTRUKTUR
.
295
PROJEKTE
UND
TEAMS
.
296
WIRTSCHAFTLICHKEIT
.
296
GOVERNANCE
.
296
KULTUR
.
297
INFRASTRUKTUR
.
298
UNTERNEHMEN
UND
STRATEGIE
.
298
WIRTSCHAFTLICHKEIT
.
298
GOVERNANCE
.
299
KULTUR
.
299
INFRASTRUKTUR
.300
INDEX
.
301 |
| adam_txt |
INHALT
EINLEITUNG:
EIN
HANDBUCH
ZUM
MANAGEMENT
VON
DATA
SCIENCE
.
13
TEIL
I:
DATA-SCIENCE-GRUNDLAGEN
.
27
1
EINE
EINFUEHRUNG
IN
DATA
SCIENCE
AUS
PROJEKTSICHT
.
29
VERLAUF
EINES
DATA-SCIENCE-PROJEKTS
(PROZESSMODELL)
.
30
VON
EINFACHEN
ANALYSEN
ZUR
AUTOMATISIERUNG
(ANALYTICS
CONTINUUM)
.
.
32
WELCHE
KOMPETENZEN
BRAUCHEN
WIR
IN
EINEM
DATA-SCIENCE-PROJEKT?
.
34
2
WIE
WIR
UEBER
DATEN
SPRECHEN
.
37
STRUKTURIERTE
DATEN
.
37
SEMISTRUKTURIERTE
DATEN
.
38
UNSTRUKTURIERTE
DATEN
.
40
SKALENNIVEAUS
UND
BESONDERE
DATENFORMATE
.
40
VERSCHIEDENE
ASPEKTE
DER
QUALITAET
VON
DATEN
.
42
BIG
DATA
UND
SMART
DATA
.
43
3
DATENBESCHAFFUNG
UND-AUFBEREITUNG
.
45
DATENQUELLEN
UND
DATENERHEBUNG
.
45
DATENZUGRIFF
IST
NICHT
NUR
EINE
TECHNISCHE
ANGELEGENHEIT
.
46
INTEGRATION
UND
AUFBEREITUNG
VERSCHIEDENER
DATENQUELLEN
.
47
TRAININGS
UND
TESTDATEN
FUER
DAS
TRAINING
VON
MACHINE-LEARNING
ALGORITHMEN
.
48
FEATURE
ENGINEERING
.
48
4
DESKRIPTIVE
ANALYSEN
.
51
UNIVARIATE
BASISSTATISTIKEN
UND
KENNZAHLEN
.
51
BIVARIATE
DARSTELLUNGEN
UND
KORRELATIONEN
.
53
VISUALISIERUNG
VON
DATEN
.
55
EXPLORATIVE
DATENANALYSE
(EDA)
.
58
I
5
5
MODELLBILDUNG
IN
DER
KLASSISCHEN
STATISTIK
.
61
GRUNDGESAMTHEITEN
UND
STICHPROBEN
.
61
DIE
REGRESSIONSANALYSE
ALS
BEISPIEL
FUER
EIN
ERKLAERENDES
MODELL
.
63
WIE
FUNKTIONIERT
EINE
REGRESSIONSANALYSE
AUS
MATHEMATISCHER
SICHT?
.
64
DIE
FLEXIBILITAET
DER
REGRESSIONSANALYSE
.
65
SPEZIELLE
ANWENDUNGSFAELLE:
ZEITREIHENANALYSE
UND
VORHERSAGEN
.
67
6
VORHERSAGEN
IM
MACHINE
LEARNING
.
71
SUPERVISED
LEARNING
.
73
REGRESSIONSANALYSE
.
73
ENTSCHEIDUNGSBAEUME
.
74
K-NEAREST-NEIGHBORS
.
74
DATENQUALITAET
UND
VERWANDTE
HERAUSFORDERUNGEN
.
75
UNSUPERVISED
LEARNING
.
77
DIMENSIONSREDUKTION
.
77
CLUSTERANALYSE
.
77
DEEP
LEARNING,
REINFORCEMENT
LEARNING
UND
NEURONALE
NETZE
.
78
PREDICTIVE,
PRESCRIPTIVE,
AUTOMATION
.
80
7
AUFBEREITUNG
DER
ERGEBNISSE
FUER
DIE
WEITERE
VERWENDUNG
.
81
DOKUMENTATION,
WIEDERVERWENDUNG
UND
REPLIZIERBARKEIT
.
81
REPORTING
.
83
STATISCHER
REPORT
.
83
DASHBOARDS
.
84
STORYTELLING
UND
VISUELLE
KOMMUNIKATION
MIT
DATEN
.
85
MEHRWERT
VON
DATEN
IM
UNTERNEHMEN
.
86
IMPACT,
EVALUATION
UND
FEEDBACK
.
86
8
ASPEKTE
EINER
BASISINFRASTRUKTUR
.
89
DATENFORMATE
UND
DATENBANKEN
.
89
PLAINTEXT
.
90
BINARY
FILES
.
91
SQL-DATENBANKEN
.
91
NOSQL
.
91
DATENVERARBEITUNG
UND
ANALYSE
.
91
COLLABORATION
UND
ARBEIT
IN
DER
CLOUD
.
92
9
HANDS-ON:
BEISPIELPROJEKT
.
95
STUDIENDESIGN
.
95
DATENBESCHAFFUNG
UND
-AUFBEREITUNG
.
96
ANALYSE
DER
DATEN
.
98
DOKUMENTATION
UND
REPORTING
.
99
HANDLUNGSEMPFEHLUNG
(IMPACT)
.
100
TEIL
II:
DATA-SCIENCE-MANAGEMENT
.
101
10
FALLSTRICKE
FUER
DATA-SCIENCE-PROJEKTE
.
105
FALLSTRICKE
IN
TECHNOLOGIE
UND
INFRASTRUKTUR
.
105
DATA
ENGINEERING
WIRD
UNTERSCHAETZT
.
106
DATENSILOS
.
106
FALLSTRICKE
IN
DER
MODELLIERUNG
.
107
ZU
KOMPLEXE
MODELLE
.
107
FLUCH
DER
DIMENSIONALITAET
.
108
AUSREISSER
.
109
FALLSTRICKE
IM
MANAGEMENT
.
110
LAW
OF
INSTRUMENT
.
110
ZU
VIEL,
ZU
FRUEH
.
111
UNKLARE
ZIELE
.
111
EIN
PROJEKT
IST
KEINE
PRODUKTIVE
ANWENDUNG
.
112
FEHLENDE
SKILLS
UND
DATA-SCIENCE-KULTUR
.
112
11
GRUNDLAGEN
DES
PROJEKTMANAGEMENTS
.
115
KLASSISCHES
ANFORDERUNGSMANAGEMENT
.
117
AGILES
MANAGEMENT
UND
LEAN
MINDSET
.
120
MEHRWERT
UND
KUNDENZENTRIERUNG
.
121
KOLLABORATION
.
121
ITERATIVES
UND
INKREMENTELLES
VORGEHEN
.
122
KONTINUIERLICHE
VERBESSERUNG
.
122
DEZENTRALITAET
UND
SELBSTORGANISATION
.
123
POC
UND
MVP
.
123
AGILES
MINDSET
.
124
ERKENNTNISSE
AUS
DER
AGILEN
PRAXIS
.
124
AGILES
ANFORDERUNGSMANAGEMENT
.
125
ZEIT-UND
RESSOURCENMANAGEMENT
.
127
FINANZIELLE
RESSOURCEN
.
128
ZEITLICHE
RESSOURCEN
.
129
INFRASTRUKTURELLE
RESSOURCEN
.
132
DATEN
.
133
KONTEXTUALISIERUNG
UND
KOMMUNIKATION
.
134
TEAM-BUBBLE
.
135
12
DATA-SCIENCE-TEAMS
.
137
FUNKTIONEN
VON
TEAMS
.
137
TEAMSTRUKTUREN
.
140
TEAM
OF
TEAMS
UND
NEW
WORK
.
143
VERORTUNG
VON
DATA-SCIENCE-TEAMS
.
145
ROLLEN
UND
DEREN
AUFGABEN
IN
DATA-SCIENCE-TEAMS
.
147
ROLLENVERSTAENDNIS
NACH
METHODISCHER
TIEFE
.
147
ROLLENVERSTAENDNIS
NACH
AUSBILDUNG
UND
INTERESSEN
.
148
ROLLENVERSTAENDNIS
NACH
AUFGABEN
.
149
ROLLEN
VON
DATA
SCIENTISTS
.
150
DATA
SCIENTISTS
.
151
DATA
ENGINEERS
.
151
FACHEXPERTINNEN
UND-EXPERTEN
.
151
SOFTWARE
ENGINEERS
UND
DEVOPS
ENGINEERS
.
152
MACHINE
LEARNING
ENGINEERS
UND
MLOPS
ARCHITECTS
.
152
MODEL-RISK-MANAGERINNEN
UND
-MANAGERN
.
153
SOFTWAREARCHITEKTINNEN
UND
-ARCHITEKTEN
.
153
ANALYSTINNEN
UND
ANALYSTEN
.
154
HERAUSFORDERUNGEN
UND
KONFLIKTE
IN
TEAMS
.
155
DIGITALES
ARBEITEN
UND
REMOTE
WORK
.
155
ZUSAMMENARBEIT
UND
KOMMUNIKATION
.
156
13
DATA-SCIENCE-MANAGERINNEN
UND-MANAGER
.
159
AUFGABEN
UND
FAEHIGKEITEN
.
161
MODERNES
LEADERSHIP
.
164
SERVANT
LEADERSHIP
.
164
AGILE
LEADERSHIP
.
165
SHARED
LEADERSHIP
.
167
IMPACT
DURCH
LEADERSHIP
.
168
COACHING
UND
MENTORING
VON
DATA
SCIENTISTS
.
171
14
HANDS-ON:
EMPFOHLENES
TOOLKIT
FUER
DAS
DATA-SCIENCE-MANAGEMENT
.
175
SCRUM
.
175
KANBAN
.
177
SCRUM
ODER
KANBAN
NUTZEN?
.
178
TEAM
HEALTH
CHECKS
.
179
AI
PROJECT
CANVAS
.
181
CHECKLISTE
ANFORDERUNGSMANAGEMENT
.
182
PROBLEMFELDER
BENENNEN
.
182
HERAUSFORDERUNGEN
ERMITTELN
.
183
MEHRWERT
BESCHREIBEN
.
183
TEIL
III:
INFRASTRUKTUR
UND
ARCHITEKTUR
.
185
15
AUTOMATISIERUNG
UND
OPERATIONALISIERUNG
IM
KYBERNETISCHEN
REGELKREIS
.
187
DAS
WISSENSCHAFTLICHE
VORGEHEN:
WISSEN
ITERATIV
WEITERENTWICKELN
UND
VERTIEFEN
.
188
PROOF-OF-CONCEPT-PROJEKTE
UND
DESIGN
THINKING
.
188
OPERATIONALISIERUNG
UND
EVALUATION
VON
ZIELEN
IN
LAUFENDEN
PROJEKTEN
.
189
DER
KYBERNETISCHE
REGELKREIS
.
190
CROSS
INDUSTRY
STANDARD
PROCESS
FOR
DATA
MINING
(CRISP-DM)
.
192
16
GRUNDLAGEN
DER
IT-INFRASTRUKTUR
.
193
BAUSTEINE
EINER
SOFTWAREANWENDUNG
.
193
HARDWARE:
EIGENE
RECHNER
VS.
CLOUD
.
196
CONTAINER
UND
MICROSERVICES
.
199
PLATFORM-AS-A-SERVICE
(PAAS)
UND
SERVERLESS
.
200
SOFTWARE
UND
DATA-SCIENCE-AS-A-SERVICE
(SAAS/DSAAS)
.
201
17
DATA-SCIENCE-ARCHITEKTUREN
.
203
DATA
LAKE
.
204
DATA
WAREHOUSE
(DWH)
.
205
WEITERE
OPTIONEN
WIE
DAS
ANALYTICS
LAB
.
207
INTERAKTIVE
VISUALISIERUNG,
EDA
UND
BUSINESS
INTELLIGENCE
.
208
DATA
MESH
.
209
18
DEVOPS
UND
MLOPS:
ENTWICKLUNG
UND
BETRIEB
.
211
VERSIONIERUNG
UND
VERSIONSKONTROLLE
.
211
CONTINUOUS
INTEGRATION
AND
DELIVERY
.
213
MICROSERVICES
UND
APPLICATION
PROGRAMMING
INTERFACES
(APIS)
.
215
TESTING
UND
MONITORING
.
217
BETRIEB
VON
MACHINE-LEARNING-MODELLEN
(DEVOPS
UND
MLOPS)
.
219
19
HANDS-ON:
MODELLIERUNG
VON
SOFTWARE
UND
INFRASTRUKTUR
.
221
BESTANDSAUFNAHME
IM
EVENT-STORMING
.
221
WEITERENTWICKLUNG
IN
DER
BUSINESS
PROCESS
MODEL
AND
NOTATION
(BPMN)
.
223
MODELLIERUNG
EINER
TECHNISCHEN
INFRASTRUKTUR
.224
MODELLIERUNG
EINER
(RELATIONALEN)
DATENBANK
.
225
REGELKONFORMITAET
.
226
TEIL
IV:
DATA
SCIENCE
GOVERNANCE
UND
DATA-DRIVEN
CULTURE
.
227
20
DIGITALE
TRANSFORMATION
DER
UNTERNEHMEN
.
231
STRATEGISCHER
EINSATZ
VON
DATEN
.
232
WETTBEWERBSVORTEILE
DURCH
DATA
SCIENCE
.
236
AS-A-SERVICE-MODELLE
.
239
21
IMPLEMENTIERUNG
IM
UNTERNEHMEN
.
241
SCHRITT
1:
IDEENFINDUNG
.
241
WIE
FINDET
MAN
GEEIGNETE
ANWENDUNGSFAELLE?
.
241
SCHRITT
2:
PROOF-OF-CONCEPT
.
242
SCHRITT
3:
TECHNISCHE
IMPLEMENTIERUNG
.
243
SCHRITT
4:
IMPLEMENTIERUNG
AUF
BEREICHSEBENE
.
243
SCHRITT
5:
SKALIERUNG
AUFUNTERNEHMENSEBENE
.244
SCHRITT
6:
VERSTETIGUNG
.
245
CHANGE
MANAGEMENT
.
245
DATENMANAGEMENT
.
249
IT-MANAGEMENT
.
253
22
SICHERHEIT
UND
DATENSCHUTZ
.
255
SAFETY
.
256
SECURITY
.257
GOVERNANCE,
COMPLIANCE
UND
RECHTLICHE
ASPEKTE
.
261
ETHISCHE
ASPEKTE
UND
CORPORATE
RESPONSIBILITY
.
263
DIGITALPOLITIK
.
266
23
DIGITALE
KOMPETENZEN
UND
DATA-SCIENCE-KULTUR
.
269
NEWWORK
.270
FLEXIBILISIERUNG
DER
ARBEITSORGANISATION
.
273
DIVERSITAET
UND
KREATIVITAET
.
274
NETZWERKORGANISATIONEN
UND
LEADERSHIP
.
274
ACHTSAMKEIT
UND
GESUNDHEIT
.
274
RECRUITING
.
275
UPSKILLING
UND
RESKILLING
.
278
ENTREPRENEURSHIP,
INTRAPRENEURSHIP
UND
INNOVATION
.
280
LITERACY,
ENABLEMENT
UND
CITIZEN
DATA
SCIENCE
.
282
GRUNDPFEILER
EINER
KREATIVEN
UMGEBUNG
.284
24
HANDS-ON:
TOOLKIT
FUER
STRATEGIE
UND
GOVERNANCE
.
287
BUSINESS
MODEL
CANVAS
.287
AI
CANVAS
.
288
DATENSTRATEGIE-DESIGNKIT
.290
25
SCHLUESSELFAKTOREN
FUER
ERFOLGREICHES
DATA-SCIENCE-MANAGEMENT
.
293
DATA
SCIENTISTS
ALS
INDIVIDUEN
.
293
WIRTSCHAFTLICHKEIT
.
294
GOVERNANCE
.
294
KULTUR
.
294
INFRASTRUKTUR
.
295
PROJEKTE
UND
TEAMS
.
296
WIRTSCHAFTLICHKEIT
.
296
GOVERNANCE
.
296
KULTUR
.
297
INFRASTRUKTUR
.
298
UNTERNEHMEN
UND
STRATEGIE
.
298
WIRTSCHAFTLICHKEIT
.
298
GOVERNANCE
.
299
KULTUR
.
299
INFRASTRUKTUR
.300
INDEX
.
301 |
| any_adam_object | 1 |
| any_adam_object_boolean | 1 |
| author | Hebing, Marcel 1982- Manhembué, Martin |
| author_GND | (DE-588)1104179555 (DE-588)1204388652 |
| author_facet | Hebing, Marcel 1982- Manhembué, Martin |
| author_role | aut aut |
| author_sort | Hebing, Marcel 1982- |
| author_variant | m h mh m m mm |
| building | Verbundindex |
| bvnumber | BV049379741 |
| classification_rvk | ST 530 |
| ctrlnum | (OCoLC)1424560126 (DE-599)DNB1297343433 |
| discipline | Informatik |
| discipline_str_mv | Informatik |
| edition | 1. Auflage |
| format | Book |
| fullrecord | <?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>00000nam a22000008c 4500</leader><controlfield tag="001">BV049379741</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20241018</controlfield><controlfield tag="007">t</controlfield><controlfield tag="008">231024s2024 gw a||| |||| 00||| ger d</controlfield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">23,N31</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1297343433</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783960092148</subfield><subfield code="c">: circa EUR 34.90 (DE), circa EUR 35.90 (AT)</subfield><subfield code="9">978-3-96009-214-8</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">3960092148</subfield><subfield code="9">3-96009-214-8</subfield></datafield><datafield tag="024" ind1="3" ind2=" "><subfield code="a">9783960092148</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1424560126</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1297343433</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="044" ind1=" " ind2=" "><subfield code="a">gw</subfield><subfield code="c">XA-DE-BW</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-M347</subfield><subfield code="a">DE-11</subfield><subfield code="a">DE-1102</subfield><subfield code="a">DE-1050</subfield><subfield code="a">DE-1049</subfield><subfield code="a">DE-Aug4</subfield><subfield code="a">DE-1051</subfield><subfield code="a">DE-573</subfield><subfield code="a">DE-858</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="8">1\p</subfield><subfield code="a">004</subfield><subfield code="2">23sdnb</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Hebing, Marcel</subfield><subfield code="d">1982-</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)1104179555</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Data Science Management</subfield><subfield code="b">vom ersten Konzept bis zur Governance datengetriebener Organisationen</subfield><subfield code="c">Marcel Hebing, Martin Manhembué</subfield></datafield><datafield tag="250" ind1=" " ind2=" "><subfield code="a">1. Auflage</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Heidelberg</subfield><subfield code="b">O'Reilly</subfield><subfield code="c">2024</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">306 Seiten</subfield><subfield code="b">Illustrationen, Diagramme</subfield><subfield code="c">24 cm x 16.5 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="650" ind1="0" ind2="7"><subfield code="a">Data Science</subfield><subfield code="0">(DE-588)1140936166</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Data Science</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Datenanalyse</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">agiles Projektmanagement</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Agile</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">MLOps</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">DevOps</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">DataOps</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">AIOps</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Data Science Lifecycle</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Data Science Lebenszyklus</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Analytics Continuum</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Datenmanagement</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Data Science Architekturen</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Governance. Proof of Concept</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Statistik</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Machine Learning</subfield></datafield><datafield tag="689" ind1="0" ind2="0"><subfield code="a">Data Science</subfield><subfield code="0">(DE-588)1140936166</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">Manhembué, Martin</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)1204388652</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">978-3-96010-808-5</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">978-3-96010-809-2</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">X:MVB</subfield><subfield code="q">text/html</subfield><subfield code="u">http://deposit.dnb.de/cgi-bin/dokserv?id=ab12956d77ca4e629c255c0118df09fb&prov=M&dok_var=1&dok_ext=htm</subfield><subfield code="3">Inhaltstext</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=034707395&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="883" ind1="1" ind2=" "><subfield code="8">1\p</subfield><subfield code="a">vlb</subfield><subfield code="d">20230726</subfield><subfield code="q">DE-101</subfield><subfield code="u">https://d-nb.info/provenance/plan#vlb</subfield></datafield><datafield tag="943" ind1="1" ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-034707395</subfield></datafield></record></collection> |
| id | DE-604.BV049379741 |
| illustrated | Illustrated |
| index_date | 2024-07-03T22:58:52Z |
| indexdate | 2024-10-18T08:00:39Z |
| institution | BVB |
| isbn | 9783960092148 3960092148 |
| language | German |
| oai_aleph_id | oai:aleph.bib-bvb.de:BVB01-034707395 |
| oclc_num | 1424560126 |
| open_access_boolean | |
| owner | DE-M347 DE-11 DE-1102 DE-1050 DE-1049 DE-Aug4 DE-1051 DE-573 DE-858 |
| owner_facet | DE-M347 DE-11 DE-1102 DE-1050 DE-1049 DE-Aug4 DE-1051 DE-573 DE-858 |
| physical | 306 Seiten Illustrationen, Diagramme 24 cm x 16.5 cm |
| publishDate | 2024 |
| publishDateSearch | 2024 |
| publishDateSort | 2024 |
| publisher | O'Reilly |
| record_format | marc |
| spelling | Hebing, Marcel 1982- Verfasser (DE-588)1104179555 aut Data Science Management vom ersten Konzept bis zur Governance datengetriebener Organisationen Marcel Hebing, Martin Manhembué 1. Auflage Heidelberg O'Reilly 2024 306 Seiten Illustrationen, Diagramme 24 cm x 16.5 cm txt rdacontent n rdamedia nc rdacarrier Data Science (DE-588)1140936166 gnd rswk-swf Data Science Datenanalyse agiles Projektmanagement Agile MLOps DevOps DataOps AIOps Data Science Lifecycle Data Science Lebenszyklus Analytics Continuum Datenmanagement Data Science Architekturen Governance. Proof of Concept Statistik Machine Learning Data Science (DE-588)1140936166 s DE-604 Manhembué, Martin Verfasser (DE-588)1204388652 aut Erscheint auch als Online-Ausgabe, PDF 978-3-96010-808-5 Erscheint auch als Online-Ausgabe, EPUB 978-3-96010-809-2 X:MVB text/html http://deposit.dnb.de/cgi-bin/dokserv?id=ab12956d77ca4e629c255c0118df09fb&prov=M&dok_var=1&dok_ext=htm Inhaltstext DNB Datenaustausch application/pdf http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=034707395&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA Inhaltsverzeichnis 1\p vlb 20230726 DE-101 https://d-nb.info/provenance/plan#vlb |
| spellingShingle | Hebing, Marcel 1982- Manhembué, Martin Data Science Management vom ersten Konzept bis zur Governance datengetriebener Organisationen Data Science (DE-588)1140936166 gnd |
| subject_GND | (DE-588)1140936166 |
| title | Data Science Management vom ersten Konzept bis zur Governance datengetriebener Organisationen |
| title_auth | Data Science Management vom ersten Konzept bis zur Governance datengetriebener Organisationen |
| title_exact_search | Data Science Management vom ersten Konzept bis zur Governance datengetriebener Organisationen |
| title_exact_search_txtP | Data Science Management vom ersten Konzept bis zur Governance datengetriebener Organisationen |
| title_full | Data Science Management vom ersten Konzept bis zur Governance datengetriebener Organisationen Marcel Hebing, Martin Manhembué |
| title_fullStr | Data Science Management vom ersten Konzept bis zur Governance datengetriebener Organisationen Marcel Hebing, Martin Manhembué |
| title_full_unstemmed | Data Science Management vom ersten Konzept bis zur Governance datengetriebener Organisationen Marcel Hebing, Martin Manhembué |
| title_short | Data Science Management |
| title_sort | data science management vom ersten konzept bis zur governance datengetriebener organisationen |
| title_sub | vom ersten Konzept bis zur Governance datengetriebener Organisationen |
| topic | Data Science (DE-588)1140936166 gnd |
| topic_facet | Data Science |
| url | http://deposit.dnb.de/cgi-bin/dokserv?id=ab12956d77ca4e629c255c0118df09fb&prov=M&dok_var=1&dok_ext=htm http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=034707395&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |
| work_keys_str_mv | AT hebingmarcel datasciencemanagementvomerstenkonzeptbiszurgovernancedatengetriebenerorganisationen AT manhembuemartin datasciencemanagementvomerstenkonzeptbiszurgovernancedatengetriebenerorganisationen |