Note: Intro -- Vorwort -- Inhaltsverzeichnis -- 1: Business Analytics und Analytics -- 1.1 Notwendigkeit einer zunehmenden analytischen Entscheidungsunterstützung -- 1.2 Abgrenzung zwischen Business Intelligence und Business Analytics -- 1.3 Kategorisierung von analytischen Methoden und Modellen -- 1.3.1 Deskriptive Analytik -- 1.3.2 Prädiktive Analytik -- 1.3.3 Präskriptive Analytik -- 1.4 Business Analytics Technologieframework (BA.TF) -- 1.4.1 Datenquellen -- 1.4.2 Data Preparation -- 1.4.3 Datenspeicherung -- 1.4.4 Analyse -- 1.4.5 Zugriff und Nutzung -- 1.4.6 (Big)-Data Management and Governance -- 1.5 Vorgehensmodell: Business Analytics Model for Artificial Intelligence (BAM.AI) -- 1.5.1 Development Cycle -- 1.5.1.1 Business Understanding -- 1.5.1.2 Data Discovery -- 1.5.1.3 Data Wrangling -- 1.5.1.4 Analyse -- 1.5.1.5 Validierung -- 1.5.1.6 New Data Aquisition -- 1.5.2 Deployment Cycle -- 1.5.2.1 Publish -- 1.5.2.2 Analytic Deployment -- 1.5.2.3 Application Integration -- 1.5.2.4 Test -- 1.5.2.5 Production/Operations -- 1.5.2.6 Continuous Improvement -- Literatur -- 2: Künstliche Intelligenz -- 2.1 Maschinelles Lernen -- 2.1.1 Überwachtes Lernen/Supervised Learning -- 2.1.2 Unüberwachtes Lernen/Unsupervised Learning -- 2.1.3 Bestärkendes Lernen/Reinforcement Learning -- 2.1.4 Übersicht über die Arten des Maschinellen Lernens -- 2.1.5 Neuronale Netze -- 2.2 Problemtypen der Künstlichen Intelligenz und deren Algorithmen -- 2.2.1 Klassifizierung -- 2.2.2 Abhängigkeiten und Assoziationen -- 2.2.3 Clustering -- 2.2.4 Regression, Prediction oder Vorhersage -- 2.2.5 Optimierung -- 2.2.6 Erkennung von Anomalien (Outliner) -- 2.2.7 Empfehlung oder Recommender-Systems -- 2.2.8 Wann welchen Algorithmus nutzen? -- Literatur -- 3: KI- und BA-Plattformen -- 3.1 Grundbegriffe und Softwareframeworks. , 3.1.1 Datenhaltung -- 3.1.1.1 Datawarehouse -- 3.1.1.2 Data Lake -- 3.1.1.3 Data Streaming und Message Queuing -- 3.1.1.4 Datenbankmanagementsystem -- 3.1.1.5 Apache Hadoop -- 3.1.2 Datenanalyse und Programmiersprachen -- 3.1.2.1 Python -- 3.1.2.2 R -- 3.1.2.3 SQL -- 3.1.2.4 Scala -- 3.1.2.5 Julia -- 3.1.3 KI-Frameworks -- 3.1.3.1 Tensorflow -- 3.1.3.2 Theano -- 3.1.3.3 Torch -- 3.1.3.4 Scikit-learn -- 3.1.3.5 Jupyter Notebook -- 3.2 Business Analytics und Machine Learning as a Service (Cloud-Plattformen) -- 3.2.1 Amazon AWS -- 3.2.1.1 Data-Services von Amazon AWS -- 3.2.1.1.1 Amazon S3 (Data-Service) -- 3.2.1.1.2 Amazon RDS (Data-Service) -- 3.2.1.2 ML-Services von Amazon AWS -- 3.2.1.2.1 Amazon SageMaker (ML-Service) -- 3.2.1.2.2 Amazon Forecast (Analytik-Service) -- 3.2.1.2.3 Amazon Personalize (Analytik-Service) -- 3.2.2 Google Cloud Platform -- 3.2.2.1 Data-Services von Google -- 3.2.2.1.1 Firebase/Google Firebase Realtime Database -- 3.2.2.1.2 Google BigQuery -- 3.2.2.2 ML-Services von Google -- 3.2.2.2.1 Google Prediction API und Cloud AutoML -- 3.2.2.2.2 Google Cloud Machine Learning Engine (Cloud Machine Learning Engine) -- 3.2.3 IBM Watson -- 3.2.4 Microsoft Azure -- 3.2.4.1 Data-Services von Microsoft Azure -- 3.2.4.1.1 Azure Cosmos DB -- 3.2.4.2 ML-Services von Microsoft Azure -- 3.2.4.2.1 Microsoft Azure Machine Learning Studio -- 3.2.4.2.2 Microsoft Azure Machine Learning Services -- 3.2.4.3 Weitere Services von Microsoft Azure in der Übersicht -- 3.2.5 SAP Services und SAP HANA Cloud Plattform (SCP) -- 3.2.5.1 Data-Services von SAP -- 3.2.5.1.1 SAP Data Hub und SAP Data Intelligence -- 3.2.5.2 ML-Services von SAP -- 3.2.5.2.1 SAP Leonardo Machine Learning Foundation -- 3.2.5.2.2 SAP Predictive Service -- 3.2.5.3 SAP-HANA-Datenbankplattform -- 3.3 Build or Buy? -- Literatur. , 4: Fallstudien zum Einsatz von KI-basierter Business Analytics -- 4.1 Fallstudie: Kundenstimmung in Echtzeit analysieren mit Streaming Analytics -- 4.1.1 Kundenzufriedenheit im Einzelhandel -- 4.1.2 Mit Technologieakzeptanz und Omnichannel zu mehr Daten -- 4.1.3 Customer Satisfaction Streaming Index (CSSI) -- 4.1.4 Implementierung in einer Retail-Architektur -- 4.1.5 Ergebnisse -- 4.2 Fallstudie: Marktsegmentierung und -automatisierung im Einzelhandel mit neuronalen Netzen -- 4.2.1 Die Standortentscheidung im stationären Handel -- 4.2.2 Marketing-Segmentierung und Einzugsgebiet -- 4.2.3 Klassische Clustering-Ansätze und Growing Neural Gas -- 4.2.4 Projektaufbau -- 4.2.5 Die Daten und Quellen -- 4.2.6 Implementierung -- 4.3 Ergebnisse -- Literatur -- Stichwortverzeichnis.

Note: Förderkennzeichen AiF 17.884N