Predictive Analytics für Dummies: (Für Dummies)

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