Nach dem Seminar können Sie die Bedeutung von Data Science für betriebliche Entscheidungen und Prozesse erläutern. Sie kennen die wesentlichen Schritte von der Datenbeschaffung und -aufbereitung bis zur Auswahl und Bewertung von Modellen. Sie können grundlegende Machine-Learning-Verfahren ihren typischen Aufgaben zuordnen und die Bedeutung von Datenqualität und Validierung einschätzen. Darüber hinaus verstehen Sie organisatorische und technische Voraussetzungen für die Einführung von Data-Science-Lösungen. Sie kennen Ansätze zur Erfolgsmessung und ROI-Bewertung und können Datenschutz, ethische Fragen sowie Modellrisiken berücksichtigen. Damit erhalten Sie eine Grundlage, um geeignete Anwendungsfälle und deren Geschäftsnutzen zu beurteilen.
Prozessoptimierung, Effizienzsteigerung, Risikobewertung und Entscheidungsunterstützung
Datenbeschaffung und -exploration
Interne und externe Datenquellen identifizieren
Marktdaten und soziale Medien einbeziehen
Data Scraping und weitere Beschaffungstechniken
Datenqualität und -bereinigung
Qualitätsprobleme und ihre Auswirkungen erkennen
Duplikate, Ausreißer und fehlende Werte behandeln
Datenimputation
Datenintegration und -transformation
Unterschiedliche Datenquellen konsolidieren
Daten formatieren und standardisieren
Datenaggregation und -transformation für geeignete Granularität und Zusammenfassungen
Einführung in Machine Learning
Überwachtes und unüberwachtes Lernen
Anwendungen und Branchenbeispiele
Geeignete Machine-Learning-Algorithmen auswählen
Klassifikation mit logistischer Regression oder Random Forests
Regression für Vorhersagemodelle
Clustering für Segmentierungsanalysen
Modelltraining und Validierung
Trainings-, Validierungs- und Testdaten unterscheiden
Cross-Validation zur Modellvalidierung
Modelle optimieren und Overfitting vermeiden
Data-Science-Lösungen im Unternehmen umsetzen
Integration in Strukturen und Prozesse
Organisatorische Anpassungen und Datenkompetenzen
Change Management
Technologische Infrastruktur und Tools
Analyse- und Modellierungswerkzeuge auswählen und einführen
On-Premise- und Cloud-Plattformen
Datenschutz und Datensicherheit berücksichtigen
Anwendungen in Unternehmensbereichen
Beispiele aus Marketing, Vertrieb und Operations
Marketing- und Vertriebsstrategien personalisieren
Produktion und Lieferketten durch Predictive Analytics optimieren
Erfolgsmessung und ROI
Erfolgsindikatoren und Leistungsmetriken definieren
Return on Investment bewerten
Lösungen kontinuierlich überwachen und anpassen
Herausforderungen und Risiken
Datenschutz, Compliance und sensible Daten
Ethik und Verantwortung im Umgang mit Daten und Algorithmen
Bias und fehlerhafte Vorhersagen
Trends und Entwicklungen
Aufkommende Technologien und Methoden
KI und Machine Learning im Unternehmen
Ausblick auf Entwicklungen und Innovationen
Dauer/zeitlicher Ablauf:
2 Tage
Zielgruppe:
Das Seminar richtet sich an Führungskräfte, Geschäftsinhaber, Daten- und IT-Verantwortliche sowie Entscheidungsträger und Analysten aus verschiedenen Unternehmensbereichen. Ebenso angesprochen sind Mitarbeiter aus Marketing, Vertrieb, Operations und Supply Chain Management, die Data Science für geschäftliche Fragestellungen nutzen möchten.
Teilnahmevoraussetzungen
Sie benötigen keine speziellen Vorkenntnisse in Data Science.
Grundlegendes Verständnis betrieblicher Prozesse und erste Erfahrungen im Umgang mit Daten sind hilfreich.
Wir setzen Analyse-Cookies ein, um Ihre Zufriedenheit bei der Nutzung unserer Webseite zu verbessern.
Diese Cookies werden nicht automatisiert gesetzt.
Wenn Sie mit dem Einsatz dieser Cookies einverstanden sind, klicken Sie bitte auf Akzeptieren.
Weitere Informationen finden Sie hier.
