Get a Quote

Data Science für Einsteiger

Data Science für Einsteiger

Daten analysieren, interpretieren und richtige Entscheidungen treffen

Data Science für Einsteiger ist ein praktischer Ratgeber, um in Data Analytics und Data Science einzutauchen. Es ist auf Amazon DE und anderen Buchlieferanten ab März 2021 verfügbar. Dieses Buch ist deutschsprachig und von Carl Hanser GmbH & Co KG herausgegeben.

Die Datenflut beherrschbar machen: Schnell und sicher navigieren, Potenziale erkennen.

  • Datenanalyse einfach erklärt mit Konzentration auf Umsetzung: Daten bearbeiten, beurteilen und visualisieren.
  • Schritt-für-Schritt-Anleitung.
  • Leicht zugängliche Programme wie MS Excel, MS PowerBI oder R nutzen.
  • Mit Arbeitshilfen zum Download.
  • Auch ohne Vorwissen verständlich.

Kein Unternehmen kann es sich leisten, Datenanalyse zu ignorieren! Dieses Werk zeigt, wie Daten analysiert werden können und wie daraus Schlussfolgerungen für die Unternehmensstrategie abgeleitet werden können.

In jedem Unternehmen werden heute in großem Umfang Daten generiert, die die Grundlage für wichtige Entscheidungen bilden können. Bevor aus den Daten Schlussfolgerungen abgeleitet werden können, sind die Daten in zuverlässiger und reproduzierbarer Weise zu erfassen, auf Fehler und grobe Abweichungen zu prüfen und zu säubern sowie statistisch zu analysieren und für Managementpräsentationen vorzubereiten.

Der Leser erhält hierfür eine Schritt-für-Schritt-Anleitung und er erfährt, wie aus rohen Daten zuverlässige Informationen werden.

Data Science für Einsteiger ist unter den folgenden ISBN registriert:
Hardcover 978-3-446-46348-6, eBook 978-3-446-46677-7.

See the English version of this book.

“Die Fähigkeit, Daten aufzunehmen ‒ sie zu verstehen, zu verarbeiten, aus ihnen Wert zu schöpfen, sie zu visualisieren und zu kommunizieren ‒ das wird in den nächsten Jahrzehnten eine enorm wichtige Fähigkeit sein.”
Google’s Chief Economist Dr Hal R. Varian (2009)

Warum dieses Buch geschrieben wurde

Data Analytics ist eine wichtige Voraussetzung für die Entscheidungsfindung

Das Buch Data Science für Einsteiger ist mit der Intension geschrieben, eine gut bekannte Lücke zu schließen, die von Amy Gallo (Gallo, 2018) erläutert wurde. Jeder Manager sollte vier grundlegende Analytikkonzepte verstehen, um über seine Organisation ausreichend informiert zu sein und datenbasierte Beschlüsse zu fassen.

Diese Konzepte sind nicht neu. Allerdings werden sie essenziell mit dem Vorhandensein von wertvollen Daten für alle Bereiche eines Unternehmens und darüber hinaus (Data never sleeps) und die daraus folgende Anforderung – und die sich bietende Chance –  diese Daten in Information zu verwandeln. Diese Forderung wird durch das Vorhandensein von exzellenten Werkzeugen zur Analyse und Visualisierung der Daten unterstützt.

Diese Werkzeuge können nur von Managern verstanden und genutzt werden, wenn sie die Grundlagen der Datenerfassung bis zur Analyse verstehen. Deshalb sollten Manager laut Gallo die folgenden Konzepte verstehen: 

Randomisierte überwachte Experimente, Hypothesistests, Regressionsanalyse und statistische Signifikanz.

“Datenanalyse ist eine Unternehmenspraxis, mit der jeder Manager vertraut sein sollte.”
Uwe Kaufmann

Wie dieses Buch strukturiert ist

Data Science für Einsteiger behandelt Datenanalysemethoden für die Organisationsentwicklung

Dieses Buch Data Science für Einsteigerbehandelt die Applikation von Datenanalytik für Organisationsentwicklung. Die Fallbeispiele erklären unterschiedliche Datenanalysesituationen in verschiedenen Bereichen der organisatorischen Wertschöpfungskette.

Data Science für Einsteiger

Unter der Kundendomain diskutieren wir Erfassung, Verarbeitung und Analyse von kundenbezogenen Daten. Das beinhaltet auch das Messen des “moment of truth”, des Augenblicks, wenn der Kunde das erhaltene Produkt oder den Service testet.

Die Prozessdomain (Operations domain) beinhaltet das Erfassen von Daten aus unterschiedlichen Prozessen des Unternehmens und das Bereitstellen von aus Daten gewonnen Informationen zur Entscheidungsfindung.

Die Arbeitskräftedomain bietet Ideen zur Verwertung von Daten über unterschiedliche arbeitskräfte-bezogene Aspekte wie Arbeitskräfteplanung, -einstellung, -engagement, -entwicklung and -abwanderung etc.

“Arbeitskräfteanalytik hilft dem Personalwesen, eine strategische Rolle in der Organisation zu übernehmen.”
Amy BC Tan

Wie wir das Lernen sicherstellen

Das Buch umfasst Testfragen und Übungsaufgaben nach jedem Kapitel

Nach jedem Kapitel in Data Science für Einsteiger findet der interessierte Leser Testfragen zum Überprufen des Verständnisses. Außerdem werden praktische Übungen angeboten, die zur Festigung der Datenanalyseschritte anregen. Alle Daten dafür sind verfügbar.

Hier ein Beispiel:

Übung

Nachdem Sie diesen Teil studiert haben, werden Sie in der Lage sein, die folgenden
Fragen zu beantworten:

  • Was sind potenzielle Treiber für innovatives Arbeitsverhalten der Mitarbeiter?
  • Nennen Sie auch Treiber, die über die im Kapitel analysierten hinausgehen.
  • Welche Möglichkeiten gibt es, die Qualität der Eingaben bei Umfragen zu erhöhen?
    Welche Fehler können auftreten?
  • Was sind die Merkmale von kurzen Daten und langen Daten? Warum sind
    beide Formate wichtig?

Bitte führen Sie die folgenden Schritte aus:

  1. Laden Sie die Daten für diesen Fall herunter. Benutzen Sie die vorne eingedruckten Zugangsdaten und die Hinweise in Abschnitt „Zusatzmaterial zum Download“.
  2. Lesen Sie die Daten in Power BI ein.
  3. Erstellen Sie das in Bild 14.7 gezeigte Diagramm.
  4. Analysieren Sie, welche Organisationseinheiten das beste innovative Arbeitsverhalten (Y1) der Mitarbeiter zeigen.
  5. Identifizieren Sie, welche Organisationseinheit laut Befragung das beste Verhalten in den Kategorien Generieren von Ideen (Y11), Vertreten von Ideen (Y12) und Umsetzen von Ideen erreicht (Y13).
  6. Bereiten Sie einen kurzen Bericht über Ihre Ergebnisse vor.

Wie Datenanalyse-Fälle erklärt werden

Data Science für Einsteiger folgt erprobten Schritten zur Datenanalyse

Dieses Buch beinhaltet zehn Fallbeispiele mit den kompletten Datensätzen als Download.

Für jeden Fall werden die Schritte Formulieren der Geschäftsfrage, Datenerfassung, Datenvorbereitung, Datenanalyse und Vorbereiten einer Geschäftsentscheidung erklärt.

Data Science für Einsteiger

Jede Fallstudie basiert auf einem tatsächlichen Vorgang. Allerdings sind Namen und Daten verfälscht, um unsere Kunden zu schützen.

“In God we trust, all others bring data.”
W. Edwards Deming

Welche Fälle ich studieren sollte

Fallstudien zur Anwendung von Datenanalytik auf OD

Die Fallbeispiele Data Science für Einsteiger verwenden unterschiedliche Werkzeuge für die Datenanalyse.

MS Excel

Wenn Sie mit Excel beginnen möchten, bieten sich folgende Kapitel
an:

  • Welcher Anbieter hat die bessere Produktqualität?
  • Warum zahlt die Finanzabteilung unsere Verkäufer verspätet aus?
  • Ist unsere Personalstärke angemessen?
Data Analytics for Organisational Development

In den genannten Kapiteln wird vorzugsweise MS Excel für die Datenaufbereitung und -analyse eingesetzt. Dabei helfen die in MS Excel eingebetteten Datenanalysefunktionen (MS Excel’s Analysis ToolPak).

MS Power BI

Wenn Sie zusätzlich zu MS Excel auch MS Power BI ausprobieren möchten, um Ihre Daten darzustellen und daraus interessante und informative Dashboards zu erstellen, sind folgende Kapitel empfehlenswert:

  • Wie erstellt man ein Dashboard zur Patientenzufriedenheit?
  • Was beeinflusst das innovative Arbeitsverhalten unserer Mitarbeiter?

Nachdem Sie sich mit den genannten Beispielen in die Datenanalyse eingearbeitet haben, werden Sie vielleicht Ihren Werkzeugkasten und damit Ihr Wissen mit einer weiteren Analyseumgebung ergänzen wollen. Die Grundlagen der Programmiersprache R und der Entwicklungsumgebung R Studio sind recht mühelos zu erlernen.

R and R Studio

Es ist nicht wirklich erforderlich, Programmierschritte zu erstellen, sondern einfach die Befehle einzugeben, die wir für Sie vorbereitet und getestet haben. Sie werden dann leicht feststellen, dass in vielen Situationen R schneller zum Ziel führt, als das MS Excel kann.

Viele R-Funktionen existieren in MS Excel nicht oder können nur umständlich erstellt werden. Anwendungsbeispiele dafür finden Sie in diesen Kapiteln:

  • Toll, wir haben uns verbessert … Oder nicht?
  • Was treibt unsere Patientenzufriedenheit an?
  • Wie erstellt man ein Dashboard zur Patientenzufriedenheit?
  • Warum verschwenden wir kostbares Blut?
  • Was bedeutet das Ergebnis unserer Umfrage zur Mitarbeiterzufriedenheit?
  • Was treibt unsere Mitarbeiter aus dem Unternehmen?
  • Bessere Entscheidungen treffen – Wissen um das Risiko, falsch zu liegen

Die letzte Fallstudie im Buch Data Science für Einsteiger ist bis zum Rand mir R-Code gefüllt, um eine etwas komplexere logistische Regression für die Analyse von Abwanderungsdaten von Mitarbeitern durchführen zu können.

Wenn Sie mit R beginnen möchten, sollten Sie die ersten Kapitel auf der Liste studieren.

Wir wünschen Ihnen Erfolg und Spaß bei der Lektüre unserer Fallbeispiele. Danach sollte es nicht zu schwer sein, die Analysewerkzeuge auf die eigenen Daten anzuwenden und zur Organisationsentwicklung beizutragen.

Geschrieben von Datenanalytik-Spezialisten…

Amy BC Tan

Experte in Organisationsentwicklung mit einem Auge für Daten

Amy has more than 20 years of experience in human resource management and organisational development in various industries. She has held senior leadership positions with Nokia, Aon, Ministry of Manpower and the Singapore 2010 Youth Olympic Games Organising Committee. She has led the transformation of the HR functions and several organisational development initiatives for these organisations.

Amy is also certified as Lean Six Sigma Black Belt, an accredited practitioner in executive coaching and psychological instruments such as MBTI, DiSC, Harrison Assessment and Belbin Team Roles.

Amy Tan is partner and director at the Centre for Organisational Effectiveness, a business advisory firm operating out of Singapore with clients in private and public organisations in South-East-Asia and beyond.

Amy auf LinkedIn

Data Analytics for Organisational Development

… die ihre Berufung in der Integration von Datenanalytik und OD sehen

Uwe H Kaufmann

Datenanalytiker mit einem Händchen für OD

Dr Uwe H. Kaufmann is the founder of Centre for Organisational Effectiveness. As consultant and coach with many years of experience, his passion lies in supporting organisations to improve their effectiveness.

He applies modern operations management techniques like BPR, Lean Six Sigma, Data Science or Innovation in his work with clients. Uwe also knows that processes do not run without the right people who are trained, skilled, motivated and engaged.

Trained as engineer and experienced in service organisations like GE Capital, Aon and TÜV Rheinland, Uwe is able to work in very different industries effectively. Since 2002, he has spent about half of his professional life working with government Ministries and Agencies in Singapore and Asia.

Uwe is a German national who speaks English and Russian. He is Permanent Resident of Singapore, with four children and nine grandchildren . . . and counting.

Uwe auf LinkedIn

Data Analytics for Organisational Development
Privacy Settings
We use cookies to enhance your experience while using our website. If you are using our Services via a browser you can restrict, block or remove cookies through your web browser settings. We also use content and scripts from third parties that may use tracking technologies. You can selectively provide your consent below to allow such third party embeds. For complete information about the cookies we use, data we collect and how we process them, please check our Privacy Policy
Youtube
Consent to display content from Youtube
Vimeo
Consent to display content from Vimeo
Google Maps
Consent to display content from Google
Spotify
Consent to display content from Spotify
Sound Cloud
Consent to display content from Sound