Data Analytics

So lange es geht - so einfach wie möglich: Das ist die Maxime, die wir im Modul beherzigen. Wenn unternehmerische Fragen einfach beantwortet können, machen dennoch durchgeführte komplexe Analysen die Arbeit eher schlechter als besser. 

Unsere Studierenden lernen, wie sie die Notwendigkeit eines Algorithmus erkennen und diesen dann schlank und pragmatisch einsetzen.

In diesem Abschnitt wird die Datensichtung und Hypothesenbildung vermittelt. In welche Richtung soll der spätere Analytics-Workflow aufgebaut werden? Welche Visualisierungen unterstützen die Kommunikation?

Hier lernen die Studierenden u.a.: 

• Deskriptive Statistiken
• Korrelationsanalysen 
• (interaktive) Visualisierungen 
• Outlier Detection
• Statistische Tests

Hier prognostizieren die Studierenden die wahrscheinlichsten zukünftigen Ergebnisse: In einer Bandbreite lernen sie unterschiedlichste Klassifikationsalgorithmen kennen:

• Decision Tree Models
• Naive Bayes Classifier
• Logistische Regression 
• Ensemble Models
• Random Forests
• Gradient boosted Trees
• Bagging / Boosting
• Automated Machine Learning Models (bspw. H2O)
• Durchführung von Training / Testing und Modellevaluation
• Model Deployment

Sind einmal Zielgruppen ermittelt, stellt sich häufig die Frage, wie diese denn beschrieben werden können. Hierbei helfen unüberwachte maschinelle Lernverfahren:

• Clusteranalysen
• k-Means
• H20-k-Means
• Hierarchical Clustering
• Dbscan
• Recommodation Engines
• Association Rules
• Market Basket Analyse
• Collaborative Filtering

Und all diese Modellergebnisse -und insb. ihre Vorteile gegenüber dem klassischem "Bauchgefühl" wollen und müssen ohne Fachbegriffe in ein oder zwei Sätzen kommuniziert werden können. Daher lernen die Studierenden:

• Pitches ihrer Modelle
• Nutzenargumentation
• Überzeugung von Stakeholdern
• Einbindung von betroffenen Kollegen
• Change-Management bei neuen Prozessen
• Kommunikation von Projektplänen