Data Science in der Praxis – eine Bestandsaufnahme

Data Science und AI sind in aller Munde und haben bei deutschen Unternehmen den Ruf, neue Geschäftsmodelle zu ermöglichen und eine bessere Kundenansprache zu fördern.

In der Praxis haben viele Unternehmen erste Erfahrung mit Data-Science-Einheiten und der Anwendung von AI gesammelt. Hier ist aber oft ein lineares Modell für betriebswirtschaftliche Probleme besser geeignet als komplexe selbstlernende neuronale Netze. Ebenso stellt GDPR die Unternehmen vor weitere Herausforderung bei der Anwendung analytischer Modelle.

Wie können in einem solchen Umfeld historisch gewachsene Data- und Analytics-Architekturen weiter entwickelt werden um auch zukünftig zu bestehen und einen Mehrwert für Unternehmen zu generieren?

Vorkenntnisse

* Grundlagen in Data und Analytics
* Data-Science-Grundlagen

Lernziele

Im Vortrag wird:
* eine Einordnung von Data Science, Visual Analytics und hybriden Datenarchitekturen gegeben,
* eine Klassifizierung von Data Science Anwendungsfällen vorgestellt,
* eine Referenzarchitektur für Data & Analytics vorgestellt die sowohl Reporting als auch Data Science ermöglicht,
* auf typische Herausforderungen von Data- und Analytics-Architekturen bei der Nutzung durch Data Science der Praxis eingegangen.