Data Science Management
Der umfassende Leitfaden für das Managen von Data-Science-Projekten für Studium und Beruf Themenspektrum: Designen von Projekten, Datenverarbeitung, Analysemethoden, Rolle und Aufgaben von Data Science Manager:innen, Kommunikation mit Stakeholdern, Automatisierung, MLOps, Governance Inklusive konkreter Toolsets wie z.B. Softwarepakete, Checklisten, Projekt-Canvases sowie Übersichten über bewährte Methoden Die Autoren sind Professoren für Data Science bzw. Data Science Management an der Digital Business University of Applied Sciences und Startup-Gründer Viele Data-Science-Vorhaben scheitern an organisatorischen Hürden: So ist oftmals die Rolle des Managements in diesen Projekten nicht klar definiert. Zudem gibt es unterschiedliche Vorstellungen, wie gutes Projektmanagement für Data-Science-Produkte oder -Analysen gestaltet sein muss, um Mehrwert für das Unternehmen zu generieren. Dieses Buch ist eine theoretisch fundierte und an der Praxis ausgerichtete Einführung in das Managen von Data-Science-Projekten aller Größenordnungen. Sie erfahren, was Daten sind und wie man mit ihnen umgeht, wie Datenanalysen durchgeführt werden und welche Tools hierfür infrage kommen. Die Autoren zeigen Wege, wie Sie erfolgreiche Projekte entlang des Data Science Life Cycles planen und eine datengetriebene Organisationskultur über alle Fachbereiche hinweg implementieren. Dabei wird die Rolle von Data Science Manager*innen im Kontext eines modernen Leaderships beleuchtet und Aufbau und Leitung von Datenanalyse-Teams beschrieben. Jedes Kapitel wird abgerundet durch einen Hands-On-Abschnitt, der Werkzeuge, Best Practices und Checklisten für die Umsetzung in die Praxis enthält.
Marcel Hebing ist Professor für Data Science an der Digital Business University of Applied Sciences (DBU), Gründer der Impact Distillery (mStats DS GmbH) und Assoziierter Forscher am Alexander von Humboldt Institut für Internet und Gesellschaft (HIIG). Sein fachlicher Hintergrund in der Informatik, Soziologie und Statistik gibt ihm eine besondere Perspektive auf Fragen der Datenqualität in der Statistik, der Interpretation von Daten und der Anwendung von Machine-Learning-Methoden. Martin Manhembué ist Professor für Data Science Management an der Digital Business University of Applied Sciences (DBU) und arbeitet als Product Owner und Data Scientist bei der DB Systel GmbH. Martins Interesse gilt der Organisation und dem Management von Data Science in Unternehmen und den Menschen, die daran beteiligt sind. Er wurde mit einer Arbeit zur Modellierung von stofflichen und energetischen Gradienten an Ökosystemgrenzen an der Universität Potsdam promoviert.
Der umfassende Leitfaden für das Managen von Data-Science-Projekten für Studium und Beruf Themenspektrum: Designen von Projekten, Datenverarbeitung, Analysemethoden, Rolle und Aufgaben von Data Science Manager:innen, Kommunikation mit Stakeholdern, Automatisierung, MLOps, GovernanceInklusive konkreter Toolsets wie z.B. Softwarepakete, Checklisten, Projekt-Canvases sowie Übersichten über bewährte MethodenDie Autoren sind Professoren für Data Science bzw. Data Science Management an der Digital Business University of Applied Sciences und Startup-Gründer Viele Data-Science-Vorhaben scheitern an organisatorischen Hürden: Oftmals ist die Rolle des Managements in diesen Projekten nicht klar definiert, zudem gibt es unterschiedliche Vorstellungen, wie gutes Projektmanagement für Data-Science-Produkte aussehen muss. Dieser praxisorientierte Leitfaden unterstützt Sie beim erfolgreichen Management von Data-Science-Projekten jeder Größe. Sie erfahren zunächst, wie Datenanalysen durchgeführt werden und welche Tools hierfür infrage kommen. Marcel Hebing und Martin Manhembué zeigen dann Wege auf, wie Sie Projekte entlang des Data-Science-Lifecycles planen und eine datengetriebene Organisationskultur implementieren. Dabei wird die Rolle von Data-Science-Managerinnen und -Managern im Kontext eines modernen Leaderships beleuchtet und der Aufbau von Datenanalyse-Teams beschrieben. Jeder Themenbereich wird ergänzt durch Hands-on-Kapitel, die Toolsets und Checklisten für die Umsetzung in die Praxis enthalten. Themen des Buchs: Data-Science-Grundlagen: Designen von Projekten, Datenformate und Datenbanken, Datenaufbereitung, Analysemethoden aus Statistik und Machine LearningManagement von Data-Science-Projekten: Grundlagen des Projektmanagements, typische Fallstricke, Rolle und Aufgaben des Managements, Data-Science-Teams, Servant und Agile Leadership, Kommunikation mit StakeholdernInfrastruktur und Architektur: Automatisierung, IT-Infrastruktur, Data-Science-Architekturen, DevOps und MLOpsGovernance und Data-driven Culture: Digitale Transformation, Implementierung von Data Science im Unternehmen, Sicherheit und Datenschutz, New Work, Recruiting