Sie möchten endlich wissen, was es mit Predictive Analytics auf sich hat und ob es vielleicht mathematische Verfahren gibt, die Ihnen die Prognose zukünftiger Entwicklungen erleichtern? Dieses Buch versetzt Sie mit den passenden Werkzeugen schnell in die Lage, Daten zu sammeln und zu analysieren und dann Vorhersagen zu machen. Die Autoren werden Sie nicht mit höherer Mathematik behelligen, sondern stattdessen anhand von zahlreichen Beispielen deutlich machen, welche Algorithmen wann zum Ziel führen und wie man die richtigen Modelle für die Zukunft wählt. Auch vermeintliche Randthemen werden angesprochen wie "Wie erkläre und präsentiere ich die Erkenntnisse den Kollegen?", "Was sind realistische Ziele?" und "Was kann ich mir finanziell leisten?"
Table of Contents:
Über die Autoren 7 Widmung 8
Danksagung 9
Einführung 21
Über dieses Buch 21
Einige törichte Annahmen 22
In diesem Buch verwendete Symbole 22
Über dieses Buch hinaus 23
Wie es weitergeht 23
Teil I Erste Bekanntschaft mit Predictive Analytics 25
Kapitel 1 Die Arena betreten 27
Predictive Analytics erklären 27
Data-Mining 27
Das Modell in den Mittelpunkt stellen 28
Den Geschäftswert erhöhen 30
Unendliche Möglichkeiten 30
Ihr Unternehmen stärken 31
Ein Predictive Analytics-Projekt starten 32
Unternehmenskenntnisse 33
Data-Science-Team und -Technologie 34
Die Daten 35
Den Markt begutachten 35
Auf Big Data reagieren 36
Mit Big Data arbeiten 36
Kapitel 2 Predictive Analytics in der freien Wildbahn 39
Online-Marketing und Verkauf 41
Empfehlungsdienste 41
Realisierung eines Empfehlungsdienstes 43
Kollaboratives Filtern 43
Inhaltbasiertes Filtern 51
Hybrid-Empfehlungsdienste 55
Zielgruppenansprache mithilfe der Modellierung von Verhaltensweisen 57
Uplift-Modell 58
Zielgruppengerichtetes Marketing 56
Predictive Analytics gegen Betrug und Verbrechen 60
Inhalte und Texte analysieren 61
Kapitel 3 Datentypen und die damit verbundenen Techniken 63
Ihre Datentypen erkennen 63
Strukturierte und unstrukturierte Daten 64
Statische und fließende Daten 66
Datenkategorien erkennen 67
Einstellungsdaten 68
Verhaltensdaten 69
Demografische Daten 70
Predictive Analytics einsetzen 70
Die datengesteuerte Analyse 71
Nutzergesteuerte Analyse 72
Die Verbindung zu benachbarten Disziplinen 73
Statistik 73
Data-Mining 74
Maschinelles Lernen 74
Kapitel 4 Die Komplexität von Daten 77
Nutzen aus Ihren Daten ziehen 77
In Ihren Daten graben 78
Validität der Daten 78
Vielfalt der Daten 79
Ständige Änderung der Daten 79
Geschwindigkeit der Daten 80
Volumen der Daten 80
Schwierigkeiten beim Durchsuchen Ihrer Daten 81
Die Suche nach Schlüsselwörtern 81
Semantische Suche 81
Die Unterschiede zwischen Business Intelligence und der Analyse von Big Data 83
Die Visualisierung von Rohdaten 84
Die Attribute der Daten bestimmen 84
Die Visualisierung von Daten erkunden 85
Tabellarische Visualisierungen 85
Balkendiagramme 86
Tortendiagramme 86
Graphen 88
Schlagwortwolken 89
Kurvendiagramm 90
Darstellung durch Vogelschwärme 90
Teil II Algorithmen bei der Modellbildung berücksichtigen 93
Kapitel 5 Modelle verwenden 95
Daten modellieren 95
Modelle und Simulationen 96
Modelle kategorisieren 98
Daten beschreiben und zusammenfassen 100
Bessere Geschäftsentscheidungen treffen 100
Fallstudien aus dem Gesundheitswesen 101
Suchanfragen bei Google als Anzeichen für eine Ansteckung 101
Die Chance, einen Krebs zu überleben 102
Fallstudien zum Marketing in sozialen Medien 103
Tweets als Anzeichen für den Aktienhandel 103
Eine Kaufhauskette sagt Schwangerschaften von Frauen vorher 104
Auf Twitter beruhende Anzeichen für Erdbeben 105
Mit Twitter die Ergebnisse politischer Kampagnen vorsagen 106
Kapitel 6 Ähnlichkeiten bei Daten erkennen 109
Die Clusteranalyse erklären 109
Motivation 111
Rohdaten in eine Matrix verwandeln 113
Eine Matrix aus Ausdrücken erstellen 113
Auswahl der Terme 114
K-Gruppen in Ihren Daten bestimmen 115
k-Means-Algorithmus 115
Clustering mit den nächsten Nachbarn 119
Korrelationen zwischen Datenelementen entdecken 121
Biologisch inspirierte Clustermethoden verwenden 123
Vogelschwärme 123
Ameisenkolonien 128
Kapitel 7 Mithilfe der Klassifizierung von Daten die Zukunft vorhersagen 131
Die Klassifizierung von Daten 132
Kreditvergabe 133
Marketing 133
Gesundheit 134
Was kommt als Nächstes? 135
Die Klassifizierung von Daten in Ihrem Unternehmen einführen 135
Den Prozess der Klassifizierung von Daten erklären 137
Mithilfe der Klassifizierung die Zukunft vorhersagen 139
Entscheidungsbäume 139
Support Vector Machine 141
Einfache Bayes-Klassifizierungsalgorithmen 143
Neuronale Netze 148
Das Markov-Modell 150
Lineare Regression 155
Die Genauigkeit durch die Verwendung von Ensemble-Methoden verbessern 156
Teil III Einen Fahrplan entwickeln 159
Kapitel 8 Ihr Management von der Einführung von Predictive Analytics überzeugen 161
Für das Geschäftsmodell werben 162
Vorteile für das Unternehmen 163
Unterstützung von Projektbeteiligten bekommen 169
Mit Ihren Auftraggebern arbeiten 170
Fachkräfte beauftragen 172
Auf Informationstechnologie setzen 173
Schnelle Entwicklung eines Prototypen 177
Ihren Plan präsentieren 178
Kapitel 9 Vorbereitung der Daten 181
Die Geschäftsziele auflisten 182
Verwandte Ziele erkennen 182
Die Voraussetzungen festlegen 183
Ihre Daten verarbeiten 183
Ihre Daten bestimmen 184
Die Daten reinigen 185
Abgeleitete Daten erzeugen 186
Die Dimensionalität der Daten reduzieren 187
Ihre Daten strukturieren 188
Ihre Daten extrahieren, umwandeln und laden 188
Die Daten auf dem Laufenden halten 189
Das Testen und die Testdaten erläutern 189
Kapitel 10 Ein Vorhersagemodell erstellen 191
Der Einstieg 191
Ihre Geschäftsziele bestimmen 193
Vorbereitung Ihrer Daten 194
Einen Algorithmus wählen 196
Das Modell entwickeln und testen 197
Entwicklung des Modells 197
Test des Modells 198
Das Modell beurteilen 200
Den Regelbetrieb aufnehmen 201
Einsatz des Modells 201
Das Modell überwachen und erhalten 202
Kapitel 11 Visualisierung analytischer Ergebnisse 203
Visualisierungen als vorhersagendes Instrument 203
Warum die Visualisierung eine Rolle spielt 204
Die Vorteile der Visualisierung nutzen 205
Mit der Vielschichtigkeit arbeiten 206
Ihre Visualisierung bewerten 207
Wie relevant ist diese Abbildung? 207
Wie aussagekräftig ist diese Abbildung? 207
Ist die Abbildung einfach genug? 208
Führt die Abbildung zu neuen Erkenntnissen? 208
Die analytischen Ergebnisse Ihres Modells visualisieren 208
Die Visualisierung verborgener Gruppierungen 208
Die Visualisierung der Ergebnisse einer Datenklassifizierung 210
Die Visualisierung von Ausreißern in Ihren Daten 211
Die Visualisierung von Entscheidungsbäumen 211
Vorhersagen visualisieren 213
Weitere Arten der Visualisierung in Predictive Analytics 215
Das Schwarmverhalten visualisieren 215
Teil IV Predictive Analytics programmieren 221
Kapitel 12 Grundlegende vorhersagende Beispiele erzeugen 223
Das Softwarepaket installieren 223
Python installieren 224
Das Modul zum maschinellen Lernen installieren 224
Die Zusatzdateien installieren 228
Aufbereitung der Daten 232
Den Probedatensatz bekommen 233
Bezeichnung Ihrer Daten 233
Mithilfe von Klassifizierungsalgorithmen Vorhersagen machen 234
Überwachtes Lernen mithilfe von Stützvektoren 235
Ein Modell des überwachten Lernens mit der logistischen Regression erzeugen 244
Zwei Klassifizierungsmodelle vergleichen 248
Kapitel 13 Grundlegende Beispiele für unüberwachte Vorhersagen 251
Den Probedatensatz herunterladen 251
Die Verwendung von Clusteralgorithmen zur Vorhersage 252
Vergleich zweier Clustermodelle 252
Ein Modell des unüberwachten Lernens mit k-Means erzeugen 253
Mit ein Modell des unüberwachten Lernens erzeugen 263
Kapitel 14 Die vorhersagende Modellierung in R 269
In R programmieren 270
R installieren 271
RStudio installieren 271
Sich mit der Umgebung vertraut machen 271
Ein wenig R lernen 273
Vorhersagen mithilfe von R machen 277
Mithilfe der Regression vorhersagen 278
Die Klassifikation zur Vorhersage verwenden 287
Kapitel 15 Fallen bei der Analyse vermeiden 295
Die Herausforderungen 296
Die Grenzen der Daten skizzieren 297
Extremfälle (Ausreißer) behandeln 299
Die Daten glätten 302
Kurven anpassen 306
Die Annahmen auf ein Minimum beschränken 308
Analytische Herausforderungen 309
Die überwachte Analyse 310
Auf nur eine Analyse vertrauen 310
Die Grenzen des Modells beschreiben 311
Nichtskalierbare Modelle vermeiden 312
Ihre Vorhersagen genau bewerten 313
Kapitel 16 Auf Big Data zielen 315
Wesentliche technologische Trends bei Predictive Analytics 316
Der Einsatz von Predictive Analytics als Service 316
Verteilte Daten für die Analyse verbinden 317
Datengesteuerte Analyse in Echtzeit 318
Frei zugängliche Tools auf Big Data anwenden 319
Apache Hadoop 319
Apache Mahout 322
Einen schnellen Prototyp Ihres Vorhersagemodells erstellen 323
Musterentwicklung für Predictive Analytics 323
Ihr Vorhersagemodell testen 326
Teil V Der Top-Ten-Teil 329
Kapitel 17 Zehn Gründe für die Durchführung von Predictive Analytics 331
Die Geschäftsziele erläutern 331
Über Ihre Daten Bescheid wissen 332
Ihre Daten organisieren 333
Ihre Kunden zufriedenstellen 334
Die Betriebskosten reduzieren 336
Die Kapitalrendite erhöhen 336
Wachsendes Vertrauen 337
Kundige Entscheidungen treffen 338
Wettbewerbsvorteile gewinnen 339
Das Geschäft verbessern 340
Kapitel 18 Zehn Schritte zum Erstellen eines Vorhersagemodells 341
Die Bildung eines Teams für die Predictive Analytics 342
Geschäftskompetenz mit ins Boot holen 342
Mit IT- und Mathematikkenntnissen einheizen 343
Die Geschäftsziele festlegen 343
Ihre Daten aufbereiten 344
Die Auswahl Ihrer Daten 345
»Wo man Müll hineinsteckt, kommt auch Müll heraus« – vermeiden Sie das 345
Einfach ist nicht dumm 346
Die Aufbereitung der Daten fördert das gute Material zutage 346
Schnelle Erfolge erzielen 346
Änderungen in Ihrem Unternehmen unterstützen 347
Einsetzbare Modelle erstellen 349
Ihr Modell überprüfen 350
Ihr Modell aktualisieren 350
Stichwortverzeichnis 353
About the Author :
Anasse Bari ist Software-Architekt und Data Mining Experte. Er arbeitet für die Weltbank in Washington.
Mohamed Chaouchi ist Software-Entwickler. Er hat intensiv zu Data Mining-Methoden im Gesundheits- und im Finanzwesen geforscht.
Tommy Jung ist Software-Entwickler. Sein Schwerpunkt ist die Datenverkehrsanalyse auf Websites und Marketing unter Zuhilfenahme von Datenbanken.
